Aprovechamiento de la detección de color en aplicaciones de visión artificial

Los colores desempeñan un papel fundamental en la forma en que los humanos experimentamos el mundo, ayudándonos a reconocer, entender y conectar con nuestro entorno. Sin embargo, a diferencia de nosotros, las máquinas no ven los colores; los procesan como datos, traduciendo sombras y matices en valores numéricos.

Un coche autónomo no solo ve un semáforo en rojo, sino que procesa el color como una señal para detenerse. Esta capacidad de reconocer e interpretar colores ayuda a acortar la distancia entre la visión humana y la visión artificial.

La visión artificial es una rama de la IA que permite a las máquinas analizar y entender datos visuales. Un aspecto clave de esto es la detección de color, que permite a las máquinas identificar y diferenciar objetos basándose en el color. Al analizar los valores de los píxeles en diferentes espacios de color, la detección de color puede utilizarse en aplicaciones como el seguimiento de objetos, el diagnóstico por imagen médico y la automatización.

En este artículo, analizaremos más de cerca cómo funciona la detección de color, por qué es importante y cómo se utiliza en aplicaciones de visión artificial. ¡Empecemos!

Link to this section¿Qué es la detección de color?#

La detección de color ayuda a las máquinas a identificar objetos y entender escenas basándose en el color. Cuando se combina con otras tareas de visión artificial, mejora la precisión y optimiza las aplicaciones del mundo real. Antes de profundizar en cómo funciona la detección de color, es útil entender cómo se representan los colores digitalmente.

Las imágenes digitales están formadas por diminutos cuadrados llamados píxeles, cada uno de los cuales contiene información sobre el color. Por ejemplo, en el modelo de color RGB (Rojo, Verde, Azul), los colores se crean mezclando diferentes intensidades de rojo, verde y azul.

Cada color se define mediante tres valores que oscilan entre 0 y 255, donde 0 significa ausencia de color y 255 significa intensidad total. Por ejemplo, el rojo puro es (255, 0, 0) porque tiene el valor de rojo más alto y nada de verde o azul. El blanco es (255, 255, 255) porque los tres colores están a intensidad total.

Fig 1. Un ejemplo de cómo ve un ordenador los colores de una manzana.

Si conoces modelos de visión artificial como Ultralytics YOLO11, puede que te preguntes por qué la detección de color es una técnica distinta de la detección de objetos. Aunque ambos analizan imágenes, sirven para propósitos diferentes.

La detección de color se centra en identificar colores específicos en una imagen, mientras que la detección de objetos reconoce y clasifica objetos independientemente de su color. En el escenario del coche autónomo, la detección de color detecta el rojo del semáforo, mientras que la detección de objetos identifica el semáforo en sí, ayudando al coche a tomar decisiones de conducción seguras.

Link to this sectionIntroducción a los espacios de color#

Un modelo de color o espacio de color es un sistema utilizado para representar colores en imágenes digitales y es una parte crítica de la detección de color. Asigna valores numéricos a los colores, permitiendo a los ordenadores interpretarlos de forma consistente en diferentes dispositivos. Los espacios de color proporcionan una forma estructurada de almacenar, ajustar y mostrar colores en sistemas digitales.

Algunos espacios de color de uso común incluyen RGB para pantallas digitales, HSV (Matiz, Saturación, Valor) para el procesamiento de imágenes y CMYK (Cian, Magenta, Amarillo, Negro) para impresión. RGB y HSV son los espacios de color utilizados con más frecuencia para detectar colores. Veamos cómo funcionan.

Link to this sectionUna visión general del espacio de color RGB#

El espacio de color RGB se utiliza ampliamente en imágenes digitales y se encuentra en pantallas, cámaras y dispositivos de visualización. Funciona combinando diferentes niveles de luz roja, verde y azul para crear varios colores. Cuando los tres colores están a máxima intensidad, el resultado es blanco, y cuando no hay ninguno presente, aparece negro.

Este espacio de color suele visualizarse como un cubo de color, donde cada eje representa uno de los colores primarios. Las esquinas del cubo muestran el rojo, verde y azul puros, junto con sus combinaciones, mientras que el interior contiene todos los tonos posibles.

Aunque el RGB es sencillo y popular, tiene algunas limitaciones. Es posible que los colores no siempre parezcan iguales al ojo humano porque el RGB no coincide de manera uniforme con cómo percibimos las diferencias de color. También se ve afectado por las condiciones de iluminación, lo que significa que los colores pueden parecer diferentes según el brillo y el entorno.

Fig 2. El cubo de color RGB.

Link to this sectionUna visión general del espacio de color HSV#

El espacio de color HSV (Matiz, Saturación, Valor) representa los colores basándose en tres componentes: matiz (el tipo de color), saturación (su intensidad) y valor (su brillo). A diferencia del RGB, que mezcla intensidades de luz, el HSV se asemeja más a cómo los humanos perciben los colores, lo que lo convierte en una opción más práctica para muchas tareas de procesamiento de imágenes.

En particular, el matiz representa el color real y se mide en grados en una rueda de color, con el rojo a 0° y el azul a 240°. Mientras tanto, la saturación controla qué tan vívido o apagado se ve un color, donde 0% es completamente gris y 100% es totalmente vibrante. Por otro lado, el valor determina el brillo, oscilando entre 0% (negro) y 100% (brillo total).

Curiosamente, el espacio de color HSV a menudo se visualiza como un cono, donde el matiz envuelve el borde, la saturación se mueve hacia afuera y el brillo aumenta de abajo hacia arriba. Debido a que separa el color del brillo, el HSV se utiliza ampliamente en aplicaciones de visión artificial.

Fig 3. El cono HSV.

Link to this sectionComparación de los espacios de color RGB y HSV#

Para comparar RGB y HSV lado a lado, tomemos el color naranja como ejemplo. En el espacio de color RGB, el naranja se crea mezclando rojo y verde a intensidades específicas, representadas típicamente como (255, 165, 0), lo que significa rojo completo, algo de verde y nada de azul. Sin embargo, como el RGB no separa el color del brillo, puede ser menos intuitivo para tareas que requieren una manipulación precisa del color.

En HSV, el naranja se define de manera diferente. Su matiz es de unos 30°, lo que determina su posición en la rueda de color. Su saturación es cercana al 100%, lo que significa que es un color vívido y puro, y su valor también es del 100%, indicando brillo total. Debido a que el HSV separa el color del brillo, a menudo es más útil en aplicaciones de detección de color donde las condiciones de iluminación pueden cambiar.

Fig 4. Comparación de valores RGB y HSV. Imagen del autor.

Link to this sectionCómo funciona la detección de color#

Normalmente, la detección de color se aborda como una técnica de procesamiento de imágenes utilizada para identificar y aislar colores de imágenes o vídeos. Los colores detectados en imágenes mediante el procesamiento de imágenes se basan en espacios de color y técnicas de umbralización para diferenciar matices, sombras e intensidades específicos.

Aquí tienes una visión general rápida de los pasos clave involucrados en la detección de color mediante el procesamiento de imágenes:

• Adquisición de imágenes: El proceso comienza capturando una imagen o un fotograma de vídeo mediante una cámara. La imagen se suele almacenar en formato RGB como una matriz de píxeles.
• Conversión de espacio de color: Dado que el RGB no siempre es ideal para la detección de color, la imagen se convierte al espacio de color HSV. Esto ayuda a separar el color del brillo, haciendo que la detección sea más estable bajo diferentes condiciones de iluminación.
• Umbralización de color: Se define un rango específico para el color objetivo en formato HSV. Este paso crea una máscara binaria, donde los píxeles dentro del rango de color seleccionado aparecen blancos y todos los demás aparecen negros.
• Enmascaramiento: La máscara binaria se aplica a la imagen original para aislar el color detectado, filtrando todo lo demás. Esto resalta solo las áreas que coinciden con el color deseado.

Una vez que el color es detectado y aislado, puede utilizarse en varias tareas de visión artificial, como el seguimiento de objetos, la segmentación de imágenes y la toma de decisiones automatizada en aplicaciones como la robótica, el diagnóstico por imagen médico y los vehículos autónomos.

Link to this sectionEl papel de la detección de color en la visión artificial#

Ahora que hemos aprendido cómo funciona la detección de color, exploremos cómo respalda las aplicaciones de visión artificial.

En ciertos casos, la detección de color puede ser una alternativa más sencilla a los modelos de visión artificial, especialmente en entornos controlados donde el color es el factor principal para distinguir objetos. En lugar de entrenar un modelo con un conjunto de datos masivo, la detección de color proporciona una solución rápida y eficiente sin necesidad de un etiquetado extenso o una gran potencia de cálculo.

Por ejemplo, en un sistema automatizado de clasificación de manzanas, un modelo de visión artificial como YOLO11 podría entrenarse para clasificar manzanas según su grado de madurez, pero requeriría un conjunto de datos de imágenes etiquetadas para gestionar las variaciones en la iluminación, la textura y los tipos de manzana.

Un enfoque más directo es detectar primero las manzanas mediante la detección de objetos y luego analizar su color para determinar el grado de madurez. Dado que este método se basa en umbrales de color predefinidos en lugar de entrenar un modelo, funciona bien en condiciones estables donde la iluminación y los fondos no cambian drásticamente.

Aunque un modelo entrenado a medida puede ser mejor para entornos más complejos y variables, la detección de color es una solución rápida, práctica y accesible para aplicaciones en tiempo real. También es un gran punto de partida para quienes están aprendiendo sobre procesamiento de imágenes y visión artificial antes de pasar a soluciones más avanzadas.

Link to this sectionAplicaciones en el mundo real de la detección de color#

La detección de color se utiliza en una amplia gama de sectores para diversas aplicaciones. Echemos un vistazo a algunos casos de uso del mundo real.

Link to this sectionDetección de color para la evaluación de la calidad de los tejidos#

La detección de color es crucial en la producción de tejidos y productos textiles. Se utiliza habitualmente en sistemas automatizados de control de calidad e identificación de defectos. A diferencia de la inspección manual, que requiere mucho tiempo y es propensa al error humano, los sistemas automatizados ofrecen una detección de defectos precisa y en tiempo real.

En concreto, mediante el análisis de imágenes de tejidos, los sistemas de visión artificial pueden identificar defectos como la distribución desigual del tinte, la decoloración y la contaminación. Las técnicas avanzadas de detección de color hacen posible un control de calidad más preciso al medir la consistencia del color entre diferentes lotes.

Fig 5. La detección de color desempeña un papel clave en la creación de tejidos coloridos.

Link to this sectionUso de la detección de color en la agricultura#

Como se mencionó anteriormente, el color es un indicador clave de la madurez, y la tecnología de detección de color puede utilizarse en la agricultura para controlar la salud de los cultivos y mejorar la cosecha.

Al analizar las variaciones de color, los agricultores pueden evaluar la salud de las plantas, detectar enfermedades y determinar cuándo los cultivos están listos para la cosecha. Los robots avanzados equipados con sensores de color y visión artificial ayudan a automatizar el proceso garantizando que solo se recojan los cultivos maduros. Estos sistemas pueden aumentar la eficiencia y la productividad, especialmente en zonas con escasez de mano de obra.

Fig 6. Mangos en diferentes niveles de madurez: (a) podridos, (b) maduros y (c) inmaduros.

Link to this sectionConclusiones clave#

La detección de color es una técnica innovadora de visión artificial con aplicaciones en la agricultura, la fabricación, la sanidad y la automatización. Ayuda a las máquinas a reconocer e interpretar colores para el seguimiento de objetos, el control de calidad y la toma de decisiones.

Aunque los modelos de IA avanzados siguen evolucionando, la detección de color sigue siendo una solución sencilla y eficaz, especialmente en entornos controlados. A medida que avance la tecnología, es probable que siga desempeñando un papel clave en la mejora de las aplicaciones del mundo real.

Profundiza en la IA explorando nuestra comunidad y repositorio de GitHub. Aprende sobre las innovaciones en IA en la fabricación y visión artificial en la sanidad, y descubre cómo empezar a aprovechar la IA de visión con nuestras opciones de licencia.