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, en nous aidant à reconnaître, comprendre et appréhender notre environnement. Cependant, 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 se contente pas de voir un feu de circulation rouge : elle traite la couleur comme un signal lui indiquant de s’arrêter. Cette capacité à reconnaître et interpréter les couleurs contribue à réduire l’écart entre la vision humaine et la vision par ordinateur.

La vision par ordinateur est une branche de l’IA qui permet aux machines d’analyser et de comprendre des données visuelles. La détection des couleurs en est un aspect essentiel : elle permet aux machines d’identifier et de différencier les objets en fonction de leur couleur. En analysant les valeurs des pixels dans différents espaces colorimétriques, la détection des couleurs peut être utilisée dans des applications telles que 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. C’est parti !

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 concrètes. Avant d’examiner le fonctionnement de la détection des couleurs, il est utile de comprendre comment les couleurs sont représentées numériquement.

Les images numériques sont composées de minuscules carrés appelés pixels, chacun contenant des informations sur la couleur. Par exemple, dans le modèle colorimétrique RGB (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 comprises entre 0 et 255, où 0 signifie l’absence de couleur et 255 l’intensité maximale. Par exemple, le rouge pur est représenté par (255, 0, 0), car sa valeur de rouge est maximale et ses valeurs de vert et de bleu sont nulles. Le blanc est représenté par (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 peux te demander pourquoi la détection des couleurs est une technique distincte de la détection d’objets. Bien que les deux analysent des images, leurs objectifs sont 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 quelle que soit leur couleur. Dans le scénario de la voiture autonome, la détection des couleurs détecte le rouge du 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 un espace colorimétrique est un système utilisé pour représenter les couleurs dans les images numériques et constitue un élément essentiel de la détection des couleurs. Il attribue des valeurs numériques aux couleurs, ce qui permet aux ordinateurs de les interpréter de manière cohérente sur différents appareils. Les espaces colorimétriques offrent une structure pour stocker, ajuster et afficher les couleurs dans les systèmes numériques.

Parmi les espaces colorimétriques couramment utilisés figurent RGB pour les écrans numériques, HSV (Teinte, Saturation, Valeur) pour le traitement d’images et CMYK (Cyan, Magenta, Jaune, Noir) pour l’impression. RGB et HSV sont les espaces colorimétriques les plus utilisés pour détecter les couleurs. Voyons comment ils fonctionnent.

Présentation de l’espace colorimétrique RGB#

L’espace colorimétrique RGB est largement utilisé en imagerie numérique, notamment dans les écrans, les caméras et les dispositifs d’affichage. Il fonctionne en combinant différents niveaux de lumière rouge, verte et bleue pour créer différentes couleurs. Lorsque les trois couleurs sont à leur intensité maximale, le résultat est blanc ; lorsqu’elles sont toutes absentes, le résultat est noir.

Cet espace colorimétrique est souvent représenté sous la forme d’un cube de couleurs, chaque axe correspondant à l’une des couleurs primaires. Les sommets du cube représentent le rouge, le vert et le bleu purs, ainsi que leurs combinaisons, tandis que l’intérieur contient toutes les nuances possibles.

Bien que RGB soit simple et populaire, il présente certaines limites. Les couleurs peuvent ne pas toujours sembler identiques à l’œil humain, car RGB ne correspond pas uniformément à notre perception des différences de couleur. Il est également affecté par les conditions d’éclairage : les couleurs peuvent donc varier selon la luminosité et l’environnement.

Fig. 2. Le cube de couleurs RGB.

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 à RGB, qui mélange les intensités lumineuses, HSV se rapproche davantage de la façon dont les humains perçoivent les couleurs, ce qui en fait un choix plus pratique pour de nombreuses tâches de traitement d’images.

Plus précisément, la teinte représente la couleur proprement dite et se mesure en degrés sur une roue chromatique, avec le rouge à 0° et le bleu à 240°. La saturation contrôle quant à elle l’intensité ou le caractère terne d’une couleur : 0 % correspond à un gris complet et 100 % à une couleur pleinement vive. Enfin, la valeur détermine la luminosité, de 0 % (noir) à 100 % (luminosité maximale).

Fait intéressant, l’espace colorimétrique HSV est souvent représenté sous la forme d’un cône : la teinte s’enroule autour du bord, la saturation se déplace vers l’extérieur et la luminosité augmente de bas en haut. Comme il sépare la couleur de la luminosité, HSV est largement utilisé dans les applications de vision par ordinateur.

Fig. 3. Le cône HSV.

Comparaison des espaces colorimétriques RGB et HSV#

Pour comparer RGB et HSV côte à côte, prenons la couleur orange comme exemple. Dans l’espace colorimétrique RGB, l’orange est créée en mélangeant du rouge et du vert à des intensités spécifiques, généralement représentées par (255, 165, 0), ce qui signifie un rouge à intensité maximale, une certaine quantité de vert et aucun bleu. Cependant, comme RGB ne sépare pas la couleur de la luminosité, il peut être moins intuitif pour les tâches nécessitant une manipulation précise des couleurs.

Dans HSV, l’orange est définie différemment. Sa teinte est d’environ 30°, ce qui détermine sa position sur la roue chromatique. Sa saturation est proche de 100 %, ce qui signifie qu’il s’agit d’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 dans les applications de détection des couleurs où les conditions d’éclairage peuvent varier.

Fig. 4. Comparaison des valeurs RGB et HSV. Image réalisée par l’auteur.

Fonctionnement de la détection des couleurs#

Généralement, la détection des couleurs est abordée comme une technique de traitement d’images utilisée pour identifier et isoler les couleurs dans des images ou des vidéos. La détection des couleurs dans les images à l’aide du traitement d’images repose sur les espaces colorimétriques et les techniques de seuillage pour différencier des teintes, nuances et intensités spécifiques.

Voici un aperçu rapide des principales étapes de la détection des couleurs à l’aide du traitement d’images :

• Acquisition de l’image : Le processus commence par la capture d’une image ou d’une trame vidéo à l’aide d’une caméra. L’image est généralement stockée au format RGB sous forme de matrice de pixels.
• Conversion de l’espace colorimétrique : Comme RGB n’est 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 dans lequel les pixels appartenant à 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 dans la vision par ordinateur#

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

Dans certains cas, la détection des couleurs peut être une alternative plus simple aux modèles de vision par ordinateur, en particulier dans les environnements contrôlés où la couleur est le principal facteur permettant de distinguer les objets. Au lieu d’entraîner un modèle avec un vaste jeu de données, la détection des couleurs offre une solution rapide et efficace, sans nécessiter un étiquetage important ni une 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, mais il nécessiterait un jeu de données d’images étiquetées pour gérer les variations d’éclairage, de texture et de types de pommes.

Une approche plus simple consiste d’abord à détecter les pommes à l’aide de la détection d’objets, puis à analyser leur couleur pour déterminer leur degré de maturité. Comme cette méthode repose 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 les arrière-plans ne changent pas de manière importante.

Même si un modèle personnalisé entraîné peut être plus adapté aux environnements complexes et variables, la détection des couleurs est une solution rapide, pratique et accessible pour les applications en temps réel. C’est également un excellent point de départ pour les personnes qui découvrent le traitement d’images 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 un large éventail de secteurs pour diverses applications. Découvrons quelques cas d’utilisation concrets.

La détection des couleurs pour l’évaluation de la qualité des tissus#

La détection des couleurs est essentielle dans la fabrication de 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 offrent une détection précise des défauts en temps réel.

Plus précisément, en analysant des images de tissus, les systèmes de vision par ordinateur peuvent identifier 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 essentiel dans la création de tissus colorés.

Utiliser la détection des couleurs dans l’agriculture#

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

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 ce que seules les cultures mûres soient récoltées. Ces systèmes peuvent accroître l’efficacité et la productivité, notamment dans les régions confrontées à une pénurie de main-d’œuvre.

Fig. 6. Mangues à différents stades de maturité : (a) pourries, (b) mûres et (c) vertes.

Points clés à retenir#

La détection des couleurs est une technique innovante de vision par ordinateur utilisée dans l’agriculture, la fabrication, les soins de santé et 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.

Alors 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 à jouer un rôle essentiel dans l’amélioration des applications concrètes.

Approfondis tes connaissances en IA en explorant notre communauté et notre dépôt GitHub. Découvre les innovations en matière d’IA dans la fabrication et de vision par ordinateur dans les soins de santé, et apprends comment commencer à exploiter l’IA visuelle grâce à nos options de licence.