Exploiter la détection des couleurs dans les applications de vision par ordinateur

Les couleurs jouent un rôle essentiel dans la façon dont les humains perçoivent le monde : elles nous aident à reconnaître notre environnement, à le comprendre et à établir des liens avec lui. Mais contrairement à nous, les machines ne voient pas les couleurs ; elles les traitent comme des données et convertissent les nuances et les teintes en valeurs numériques.

Une voiture autonome ne voit pas simplement un feu rouge : elle traite la couleur comme un signal indiquant de s’arrêter. Cette capacité à reconnaître et à interpréter les couleurs contribue à rapprocher la vision humaine de la vision par ordinateur.

La vision par ordinateur est une branche de l’IA qui permet aux machines d’analyser et de comprendre les données visuelles. La détection des couleurs en est un aspect clé : elle permet aux machines d’identifier et de différencier les objets selon leur couleur. En analysant les valeurs des pixels dans différents espaces colorimétriques, la détection des couleurs peut être utilisée pour le suivi d’objets, l’imagerie médicale et l’automatisation.

Dans cet article, nous allons examiner de plus près le fonctionnement de la détection des couleurs, son importance et son utilisation dans les applications de vision par ordinateur.

Qu’est-ce que la détection des couleurs ?#

La détection des couleurs aide les machines à identifier des objets et à comprendre des scènes en fonction des couleurs. Associée à d’autres tâches de vision par ordinateur, elle améliore la précision et renforce les applications du monde réel. Avant d’examiner son fonctionnement, il est utile de comprendre comment les couleurs sont représentées numériquement.

Les images numériques sont composées de petits carrés appelés pixels, chacun contenant des informations de couleur. Par exemple, dans le modèle colorimétrique RVB (rouge, vert, bleu), les couleurs sont créées en mélangeant différentes intensités de rouge, de vert et de bleu.

Chaque couleur est définie par trois valeurs allant de 0 à 255, où 0 signifie l’absence de couleur et 255 l’intensité maximale. Par exemple, le rouge pur correspond à (255, 0, 0), car il présente la valeur maximale pour le rouge et aucune composante verte ni bleue. Le blanc correspond à (255, 255, 255), car les trois couleurs sont à leur intensité maximale.

Fig. 1. Exemple de la façon dont un ordinateur perçoit les couleurs d’une pomme.

Si tu connais des modèles de vision par ordinateur comme Ultralytics YOLO11, tu te demandes peut-être pourquoi la détection des couleurs est une technique distincte de la détection d’objets. Même si les deux analysent des images, elles répondent à des objectifs différents.

La détection des couleurs se concentre sur l’identification de couleurs spécifiques dans une image, tandis que la détection d’objets reconnaît et classe les objets indépendamment de leur couleur. Dans le cas d’une voiture autonome, la détection des couleurs repère le rouge d’un feu de circulation, tandis que la détection d’objets identifie le feu lui-même, ce qui aide la voiture à prendre des décisions de conduite sûres.

Introduction aux espaces colorimétriques#

Un modèle colorimétrique ou espace colorimétrique est un système permettant de représenter les couleurs dans les images numériques et constitue un élément essentiel de la détection des couleurs. Il associe des valeurs numériques aux couleurs, ce qui permet aux ordinateurs de les interpréter de manière cohérente sur différents appareils. Les espaces colorimétriques offrent une méthode structurée pour stocker, ajuster et afficher les couleurs dans les systèmes numériques.

Parmi les espaces colorimétriques les plus utilisés, on trouve le RGB pour les écrans numériques, le HSV (teinte, saturation, valeur) pour le traitement d’images et le CMYK (cyan, magenta, jaune, noir) pour l’impression. Le RGB et le HSV sont les espaces colorimétriques les plus souvent utilisés pour détecter les couleurs. Voici leur fonctionnement.

Présentation de l’espace colorimétrique RVB#

L’espace colorimétrique RVB est largement utilisé en imagerie numérique, notamment sur les écrans, les caméras et les dispositifs d’affichage. Il combine différentes intensités de lumière rouge, verte et bleue pour créer diverses couleurs. Lorsque les trois couleurs sont à leur intensité maximale, le résultat est blanc ; lorsqu’elles sont toutes absentes, il est noir.

Cet espace colorimétrique est souvent représenté par un cube dont chaque axe correspond à l’une des couleurs primaires. Les sommets du cube montrent le rouge, le vert et le bleu purs, ainsi que leurs combinaisons, tandis que son intérieur contient toutes les nuances possibles.

Bien que le RVB soit simple et populaire, il présente certaines limites. Les couleurs ne semblent pas toujours identiques à l’œil humain, car le RVB ne reflète pas uniformément notre perception des différences de couleur. Il est également sensible aux conditions d’éclairage : les couleurs peuvent donc paraître différentes selon la luminosité et l’environnement.

Fig. 2. Le cube colorimétrique RVB.

Présentation de l’espace colorimétrique HSV#

L’espace colorimétrique HSV (teinte, saturation, valeur) représente les couleurs selon trois composantes : la teinte (le type de couleur), la saturation (son intensité) et la valeur (sa luminosité). Contrairement au RVB, qui mélange des intensités lumineuses, le HSV correspond davantage à la façon dont les humains perçoivent les couleurs, ce qui en fait un choix plus pratique pour de nombreuses tâches de traitement d’image.

Plus précisément, la teinte représente la couleur proprement dite et se mesure en degrés sur un cercle chromatique : le rouge se situe à 0° et le bleu à 240°. La saturation détermine l’éclat ou le caractère terne d’une couleur : à 0 %, elle est entièrement grise, et à 100 %, elle est pleinement vive. Enfin, la valeur détermine la luminosité, de 0 % (noir) à 100 % (luminosité maximale).

Fait intéressant, l’espace colorimétrique HSV est souvent représenté par un cône, où la teinte suit le bord, la saturation augmente vers l’extérieur et la luminosité croît de bas en haut. Comme il sépare la couleur de la luminosité, le HSV est largement utilisé dans les applications de vision par ordinateur.

Fig. 3. Le cône HSV.

Comparaison des espaces colorimétriques RVB et HSV#

Pour comparer directement le RGB et le HSV, prenons la couleur orange en exemple. Dans l’espace colorimétrique RGB, l’orange est obtenu en mélangeant du rouge et du vert à des intensités précises, généralement représentées par (255, 165, 0), soit du rouge à pleine intensité, un peu de vert et pas de bleu. Toutefois, comme le RGB ne sépare pas la couleur de la luminosité, il peut être moins intuitif pour les tâches qui nécessitent une manipulation précise des couleurs.

En HSV, l’orange est défini différemment. Sa teinte se situe autour de 39°, ce qui détermine sa position sur le cercle chromatique. Sa saturation est proche de 100 %, ce qui en fait une couleur vive et pure, et sa valeur est également de 100 %, ce qui indique une luminosité maximale. Comme HSV sépare la couleur de la luminosité, il est souvent plus utile pour les applications de détection des couleurs où les conditions d’éclairage peuvent varier.

Fig. 4. Comparaison des valeurs RVB et HSV. Image de l’auteur.

Fonctionnement de la détection des couleurs#

En général, la détection des couleurs est abordée comme une technique de traitement d’images permettant d’identifier et d’isoler les couleurs dans des images ou des vidéos. La détection des couleurs dans les images s’appuie sur des espaces colorimétriques et des techniques de seuillage pour distinguer des teintes, des nuances et des intensités précises.

Voici un aperçu rapide des étapes clés de la détection des couleurs par traitement d’image :

• Acquisition d’image : le processus commence par la capture d’une image ou d’une séquence vidéo à l’aide d’une caméra. L’image est généralement stockée au format RVB sous forme de matrice de pixels.
• Conversion de l’espace colorimétrique : le RVB n’étant pas toujours idéal pour la détection des couleurs, l’image est convertie dans l’espace colorimétrique HSV. Cela permet de séparer la couleur de la luminosité et de rendre la détection plus stable dans différentes conditions d’éclairage.
• Seuillage des couleurs : une plage spécifique est définie pour la couleur cible au format HSV. Cette étape crée un masque binaire : les pixels compris dans la plage de couleurs sélectionnée apparaissent en blanc, et tous les autres en noir.
• Masquage : le masque binaire est appliqué à l’image d’origine pour isoler la couleur détectée et filtrer tout le reste. Seules les zones correspondant à la couleur souhaitée sont ainsi mises en évidence.

Une fois la couleur détectée et isolée, elle peut être utilisée dans diverses tâches de vision par ordinateur, comme le suivi d’objets, la segmentation d’images et la prise de décision automatisée dans des applications telles que la robotique, l’imagerie médicale et les véhicules autonomes.

Le rôle de la détection des couleurs en vision par ordinateur#

Maintenant que nous avons appris comment fonctionne la détection des couleurs, voyons comment elle contribue aux applications de vision par ordinateur.

Dans certains cas, la détection des couleurs peut constituer une solution plus simple que les modèles de vision par ordinateur, en particulier dans les environnements contrôlés où la couleur est le principal critère de distinction entre les objets. Au lieu d’entraîner un modèle sur un jeu de données massif, la détection des couleurs offre une solution rapide et efficace qui ne nécessite ni annotation poussée ni grande puissance de calcul.

Par exemple, dans un système automatisé de tri des pommes, un modèle de vision par ordinateur comme Ultralytics YOLO11 pourrait être entraîné à classer les pommes selon leur degré de maturité. Il lui faudrait toutefois un jeu de données d’images annotées pour gérer les variations d’éclairage, de texture et de variété de pommes.

Une méthode plus simple consiste à détecter d’abord les pommes à l’aide de la détection d’objets, puis à analyser leur couleur pour déterminer leur maturité. Comme cette méthode s’appuie sur des seuils de couleur prédéfinis plutôt que sur l’entraînement d’un modèle, elle fonctionne bien dans des conditions stables où l’éclairage et l’arrière-plan ne changent pas radicalement.

Un modèle entraîné sur mesure peut être préférable dans des environnements plus complexes et variables, mais la détection des couleurs constitue une solution rapide, pratique et accessible pour les applications en temps réel. C’est également un excellent point de départ pour découvrir le traitement d’image et la vision par ordinateur avant de passer à des solutions plus avancées.

Applications concrètes de la détection des couleurs#

La détection des couleurs est utilisée dans de nombreux secteurs pour diverses applications. Découvrons quelques cas d’utilisation concrets.

Détection des couleurs pour le contrôle qualité des tissus#

La détection des couleurs est essentielle dans la fabrication des tissus et la production textile. Elle est couramment utilisée dans les systèmes automatisés de contrôle qualité et d’identification des défauts. Contrairement à l’inspection manuelle, qui prend du temps et est sujette aux erreurs humaines, les systèmes automatisés détectent les défauts avec précision et en temps réel.

Plus précisément, en analysant les images de tissus, les systèmes de vision par ordinateur peuvent repérer des défauts tels qu’une répartition inégale de la teinture, une décoloration et une contamination. Les techniques avancées de détection des couleurs permettent un contrôle qualité plus précis en mesurant la cohérence des couleurs entre différents lots.

Fig. 5. La détection des couleurs joue un rôle clé dans la création de tissus colorés.

Utiliser la détection des couleurs en agriculture#

Comme mentionné précédemment, la couleur est un indicateur clé de maturité, et la technologie de détection des couleurs peut être utilisée en agriculture pour surveiller la santé des cultures et améliorer les récoltes.

En analysant les variations de couleur, les agriculteurs peuvent évaluer la santé des plantes, détecter les maladies et déterminer quand les cultures sont prêtes à être récoltées. Des robots avancés équipés de capteurs de couleur et de systèmes de vision par ordinateur contribuent à automatiser le processus en veillant à ne cueillir que les cultures mûres. Ces systèmes peuvent accroître l’efficacité et la productivité, en particulier dans les régions où la main-d’œuvre manque.

Fig. 6. Mangues à différents stades de maturité : (a) pourrie, (b) mûre et (c) non mûre.

Points clés à retenir#

La détection des couleurs est une technique pratique de vision par ordinateur qui s’applique à l’agriculture, à la fabrication, à la santé et à l’automatisation. Elle aide les machines à reconnaître et à interpréter les couleurs pour le suivi d’objets, le contrôle qualité et la prise de décision.

Bien que les modèles d’IA avancés continuent d’évoluer, la détection des couleurs reste une solution simple et efficace, en particulier dans les environnements contrôlés. À mesure que la technologie progresse, elle continuera probablement de jouer un rôle clé dans l’amélioration des applications concrètes.

Approfondis tes connaissances en IA en explorant notre communauté et notre dépôt GitHub. Découvre les innovations de l’IA dans l’industrie manufacturière et de la vision par ordinateur dans le secteur de la santé, et découvre comment commencer à exploiter l’IA visuelle grâce à nos options de licence.