Aprovechamiento de la detección de colores en aplicaciones de visión por ordenador

Los colores desempeñan un papel fundamental en la forma en que los seres humanos experimentamos el mundo, ya que nos ayudan a reconocer, comprender y conectar con nuestro entorno. Sin embargo, a diferencia de nosotros, las máquinas no ven los colores: los procesan como datos y traducen los matices y tonos en valores numéricos.

Un coche autónomo no se limita a ver un semáforo en rojo: procesa el color como una señal para detenerse. Esta capacidad para reconocer e interpretar los colores ayuda a cerrar la brecha entre la visión humana y la visión artificial.

La visión artificial es una rama de la IA que permite a las máquinas analizar y comprender datos visuales. Un aspecto clave es la detección de colores, que permite a las máquinas identificar y diferenciar objetos en función de su color. Al analizar los valores de los píxeles en distintos espacios de color, la detección de colores puede utilizarse en aplicaciones como el seguimiento de objetos, la obtención de imágenes médicas y la automatización.

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

¿Qué es la detección de colores?#

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

Las imágenes digitales están formadas por pequeños 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 distintas intensidades de rojo, verde y azul.

Cada color se define mediante tres valores, que van de 0 a 255, donde 0 significa ausencia de color y 255, intensidad máxima. Por ejemplo, el rojo puro es (255, 0, 0) porque tiene el valor máximo de rojo y ningún valor de verde ni de azul. El blanco es (255, 255, 255) porque los tres colores tienen la intensidad máxima.

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

Si estás familiarizado con modelos de visión artificial como Ultralytics YOLO11, quizá te preguntes por qué la detección de colores es una técnica independiente de la detección de objetos. Aunque ambas analizan imágenes, tienen objetivos distintos.

La detección de colores 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 caso del coche autónomo, la detección de colores detecta el rojo del semáforo, mientras que la detección de objetos identifica el propio semáforo, lo que ayuda al coche a tomar decisiones de conducción seguras.

Introducción a los espacios de color#

Un modelo de color o espacio de color es un sistema utilizado para representar colores en imágenes digitales y constituye una parte fundamental de la detección de colores. Asigna valores numéricos a los colores, lo que permite a los ordenadores interpretarlos de forma coherente en distintos dispositivos. Los espacios de color proporcionan una forma estructurada de almacenar, ajustar y mostrar colores en sistemas digitales.

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

Descripción general del espacio de color RGB#

El espacio de color RGB se utiliza ampliamente en la obtención de imágenes digitales y está presente en pantallas, cámaras y dispositivos de visualización. Funciona combinando distintos niveles de luz roja, verde y azul para crear diversos colores. Cuando los tres colores tienen la intensidad máxima, el resultado es blanco; cuando no hay ninguno, aparece el 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, el verde y el azul puros, junto con sus combinaciones, mientras que el interior contiene todos los matices posibles.

Aunque RGB es sencillo y popular, presenta algunas limitaciones. Los colores no siempre se perciben igual a simple vista, porque RGB no se ajusta de manera uniforme a nuestra percepción de las diferencias de color. También se ve afectado por las condiciones de iluminación, lo que significa que los colores pueden parecer distintos según la luminosidad y el entorno.

Fig. 2. El cubo de color RGB.

Descripción general del espacio de color HSV#

El espacio de color HSV (Matiz, Saturación, Valor) representa los colores basándose en tres componentes: el matiz (el tipo de color), la saturación (su intensidad) y el valor (su luminosidad). A diferencia de RGB, que mezcla intensidades de luz, HSV se aproxima más a la forma en que los seres humanos percibimos los colores, por lo que resulta una opción más práctica para muchas tareas de procesamiento de imágenes.

En concreto, 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°. Por su parte, la saturación controla lo intenso o apagado que parece un color: el 0 % es completamente gris y el 100 % es totalmente vibrante. El valor, en cambio, determina la luminosidad y va del 0 % (negro) al 100 % (luminosidad máxima).

Curiosamente, el espacio de color HSV suele visualizarse como un cono, donde el matiz se distribuye alrededor del borde, la saturación se desplaza hacia fuera y la luminosidad aumenta de abajo arriba. Como separa el color de la luminosidad, HSV se utiliza ampliamente en aplicaciones de visión artificial.

Fig. 3. El cono HSV.

Comparación de los espacios de color RGB y HSV#

Para comparar RGB y HSV, tomemos como ejemplo el color naranja. En el espacio de color RGB, el naranja se crea mezclando rojo y verde con intensidades específicas, normalmente representadas como (255, 165, 0), lo que significa rojo al máximo, algo de verde y nada de azul. Sin embargo, como RGB no separa el color de la luminosidad, puede resultar menos intuitivo para tareas que requieren una manipulación precisa del color.

En HSV, el naranja se define de otra manera. Su matiz es de aproximadamente 30°, lo que determina su posición en la rueda de color. Su saturación se acerca al 100 %, lo que significa que es un color intenso y puro, y su valor también es del 100 %, lo que indica una luminosidad máxima. Como HSV separa el color de la luminosidad, suele ser más útil en aplicaciones de detección de colores en las que las condiciones de iluminación pueden cambiar.

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

Cómo funciona la detección de colores#

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

Este es un breve resumen de los pasos clave de la detección de colores mediante procesamiento de imágenes:

• Adquisición de imágenes: El proceso comienza capturando una imagen o un fotograma de vídeo con una cámara. La imagen suele almacenarse en formato RGB como una matriz de píxeles.
• Conversión del espacio de color: Como RGB no siempre es ideal para la detección de colores, la imagen se convierte al espacio de color HSV. Esto ayuda a separar el color de la luminosidad, lo que hace que la detección sea más estable en distintas condiciones de iluminación.
• Umbralización del color: Se define un intervalo específico para el color objetivo en formato HSV. Este paso crea una máscara binaria en la que los píxeles dentro del intervalo de color seleccionado aparecen en blanco y todos los demás aparecen en negro.
• Enmascarado: La máscara binaria se aplica a la imagen original para aislar el color detectado y filtrar todo lo demás. Esto resalta únicamente las zonas que coinciden con el color deseado.

Una vez detectado y aislado el color, puede utilizarse en diversas tareas de visión artificial, como el seguimiento de objetos, la segmentación de imágenes y la toma de decisiones automatizada en aplicaciones de robótica, obtención de imágenes médicas y vehículos autónomos.

El papel de la detección de colores en la visión artificial#

Ahora que hemos aprendido cómo funciona la detección de colores, veamos cómo contribuye a las aplicaciones de visión artificial.

En determinados casos, la detección de colores 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 colores ofrece una solución rápida y eficiente sin necesidad de realizar un etiquetado exhaustivo ni de disponer de una gran potencia de cálculo.

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

Un enfoque más sencillo consiste en detectar primero las manzanas mediante detección de objetos y analizar después su color para determinar su grado de madurez. Como este método se basa en umbrales de color predefinidos en lugar de entrenar un modelo, funciona bien en condiciones estables en las que 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 colores es una solución rápida, práctica y accesible para aplicaciones en tiempo real. También es un excelente punto de partida para quienes están aprendiendo sobre procesamiento de imágenes y visión artificial antes de pasar a soluciones más avanzadas.

Aplicaciones de la detección de colores en el mundo real#

La detección de colores se utiliza en una amplia variedad de sectores para distintas aplicaciones. Veamos algunos casos de uso en el mundo real.

Detección de colores para evaluar la calidad de los tejidos#

La detección de colores es fundamental en la fabricación de tejidos y la producción textil. 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 a errores humanos, los sistemas automatizados proporcionan una detección de defectos precisa y en tiempo real.

En concreto, al analizar imágenes de tejidos, los sistemas de visión artificial pueden identificar defectos como una distribución irregular del tinte, decoloración y contaminación. Las técnicas avanzadas de detección de colores permiten un control de calidad más preciso al medir la uniformidad del color entre distintos lotes.

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

Uso de la detección de colores en la agricultura#

Como se ha mencionado anteriormente, el color es un indicador clave del grado de madurez, y la tecnología de detección de colores puede utilizarse en la agricultura para supervisar la salud de los cultivos y mejorar la recolección.

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 al garantizar 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 distintos niveles de madurez: (a) podridos, (b) maduros y (c) verdes.

Conclusiones clave#

La detección de colores 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 los colores para el seguimiento de objetos, el control de calidad y la toma de decisiones.

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

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