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

Les couleurs jouent un rôle essentiel dans la manière dont les humains perçoivent le monde, nous aidant à reconnaître, comprendre et nous connecter à notre environnement. Cependant, contrairement à nous, les machines ne voient pas les couleurs : elles les traitent comme des données, traduisant les teintes et les nuances en valeurs numériques.

Une voiture autonome ne voit pas seulement un feu de signalisation rouge, elle traite la couleur comme un signal pour s'arrêter. Cette capacité à reconnaître et interpréter les couleurs aide à combler le fossé 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 les données visuelles. Un aspect clé de celle-ci est la détection des couleurs, qui permet aux machines d'identifier et de différencier des 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 examinerons de plus près le fonctionnement de la détection des couleurs, pourquoi elle est importante et comment elle est utilisée dans les applications de vision par ordinateur. Commençons !

Link to this sectionQu'est-ce que la détection des couleurs ?#

La détection des couleurs aide les machines à identifier des objets et à comprendre des scènes en se basant sur la couleur. Lorsqu'elle est combinée avec d'autres tâches de vision par ordinateur, elle améliore la précision et optimise les applications du monde réel. Avant de plonger dans le fonctionnement de la détection des couleurs, il est utile de comprendre comment les couleurs sont représentées numériquement.

Les images numériques sont constituées de minuscules carrés appelés pixels, contenant chacun des informations de couleur. Par exemple, en ce qui concerne le modèle de couleur 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, allant de 0 à 255, où 0 signifie l'absence de couleur et 255 l'intensité maximale. Par exemple, le rouge pur est (255, 0, 0) car il possède la valeur de rouge la plus élevée et aucune trace de vert ou de bleu. Le blanc est (255, 255, 255) car les trois couleurs sont à leur pleine intensité.

Fig 1. Un exemple de la façon dont un ordinateur voit les couleurs d'une pomme.

Si tu connais les 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. Bien qu'elles analysent toutes deux des images, elles servent 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 classifie les objets indépendamment de leur couleur. Dans le scénario de la voiture autonome, la détection des couleurs détecte le rouge d'un feu de signalisation, tandis que la détection d'objets identifie le feu lui-même, aidant la voiture à prendre des décisions de conduite sûres.

Link to this sectionIntroduction aux espaces colorimétriques#

Un modèle de couleur ou espace colorimétrique est un système utilisé pour représenter les couleurs dans les images numériques et constitue une partie essentielle de la détection des couleurs. Il attribue des valeurs numériques aux couleurs, permettant aux ordinateurs de les interpréter de manière cohérente sur différents appareils. Les espaces colorimétriques offrent un moyen structuré de stocker, d'ajuster et d'afficher les couleurs dans les systèmes numériques.

Certains espaces colorimétriques couramment utilisés incluent le RGB pour les affichages numériques, le HSV (Teinte, Saturation, Valeur) pour le traitement d'image, et le CMYK (Cyan, Magenta, Jaune, Noir) pour l'impression. RGB et HSV sont les espaces colorimétriques les plus fréquemment utilisés pour détecter les couleurs. Voyons comment ils fonctionnent.

Link to this sectionUn aperçu de l'espace colorimétrique RGB#

L'espace colorimétrique RGB est largement utilisé dans l'imagerie numérique, présent dans les écrans, les caméras et les périphériques d'affichage. Il fonctionne en combinant différents niveaux de lumière rouge, verte et bleue pour créer diverses couleurs. Lorsque les trois couleurs sont à pleine intensité, le résultat est le blanc, et lorsqu'aucune n'est présente, cela apparaît noir.

Cet espace colorimétrique est souvent visualisé comme un cube de couleur, où chaque axe représente l'une des couleurs primaires. Les coins du cube montrent le rouge, le vert et le bleu purs, ainsi que leurs combinaisons, tandis que l'intérieur contient toutes les nuances possibles.

Bien que le RGB soit simple et populaire, il présente certaines limites. Les couleurs peuvent ne pas toujours paraître identiques à l'œil humain car le RGB ne correspond pas uniformément à la façon dont nous percevons les différences de couleur. Il est également affecté par les conditions d'éclairage, ce qui signifie que les couleurs peuvent apparaître différentes selon la luminosité et l'environnement.

Fig 2. Le cube de couleur RGB.

Link to this sectionUn aperçu de l'espace colorimétrique HSV#

L'espace colorimétrique HSV (Teinte, Saturation, Valeur) représente les couleurs sur la base de trois composantes : la teinte (le type de couleur), la saturation (son intensité) et la valeur (sa luminosité). Contrairement au RGB, qui mélange les intensités lumineuses, le HSV est plus proche de la façon dont les humains perçoivent les couleurs, ce qui en fait un choix plus pratique pour de nombreuses tâches de traitement d'image.

En particulier, la teinte représente la couleur réelle et est mesurée en degrés sur une roue chromatique, avec le rouge à 0° et le bleu à 240°. Pendant ce temps, la saturation contrôle à quel point une couleur semble vive ou terne, où 0 % est complètement gris et 100 % est totalement vibrant. D'autre part, la valeur détermine la luminosité, allant de 0 % (noir) à 100 % (pleine luminosité).

Fait intéressant, l'espace colorimétrique HSV est souvent visualisé comme un cône, où la teinte s'enroule autour du bord, la saturation se déplace vers l'extérieur et la luminosité augmente du bas vers le haut. Parce qu'il sépare la couleur de la luminosité, le HSV est largement utilisé dans les applications de vision par ordinateur.

Fig 3. Le cône HSV.

Link to this sectionComparer les espaces colorimétriques RGB et HSV#

Pour comparer le RGB et le HSV côte à côte, prenons la couleur orange comme exemple. Dans l'espace colorimétrique RGB, l'orange est créé en mélangeant du rouge et du vert à des intensités spécifiques, généralement représenté par (255, 165, 0) - ce qui signifie un rouge complet, un peu de vert et pas de bleu. Cependant, comme le RGB ne sépare pas la couleur de la luminosité, il peut être moins intuitif pour les tâches nécessitant une manipulation précise des couleurs.

En HSV, l'orange est défini 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 %, indiquant une luminosité totale. Parce que le 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 changer.

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

Link to this sectionComment fonctionne la détection des couleurs#

En règle générale, la détection des couleurs est abordée comme une technique de traitement d'image utilisée pour identifier et isoler des couleurs à partir d'images ou de vidéos. Les couleurs détectées dans les images à l'aide du traitement d'image reposent sur des espaces colorimétriques et des techniques de seuillage pour différencier des teintes, des nuances et des intensités spécifiques.

Voici un aperçu rapide des étapes clés impliquées dans la détection des couleurs par traitement d'image :

• Acquisition d'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 : Puisque le RGB n'est pas toujours idéal pour la détection des couleurs, l'image est convertie dans l'espace colorimétrique HSV. Cela aide à séparer la couleur de la luminosité, rendant la détection plus stable sous différentes conditions d'éclairage.
• Seuillage de couleur : Une plage spécifique est définie pour la couleur cible au format HSV. Cette étape crée un masque binaire, où les pixels dans la plage de couleur sélectionnée apparaissent en blanc, et tous les autres en noir.
• Masquage : Le masque binaire est appliqué à l'image originale pour isoler la couleur détectée, filtrant tout le reste. Cela met en évidence uniquement les zones qui correspondent à la couleur souhaitée.

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

Link to this sectionLe rôle de la détection des couleurs dans la vision par ordinateur#

Maintenant que nous avons appris comment fonctionne la détection des couleurs, explorons comment elle soutient les applications de vision par ordinateur.

Dans certains cas, la détection des couleurs peut être une alternative plus simple aux modèles de vision par ordinateur, surtout dans des environnements contrôlés où la couleur est le facteur principal pour distinguer les objets. Au lieu d'entraîner un modèle avec un ensemble de données massif, la détection des couleurs fournit une solution rapide et efficace sans avoir besoin d'un étiquetage intensif ou d'une puissance de calcul élevée.

Par exemple, dans un système automatisé de tri des pommes, un modèle de vision par ordinateur comme YOLO11 pourrait être entraîné à classifier les pommes par maturité, mais cela nécessiterait un ensemble de données d'images étiquetées pour gérer les variations d'éclairage, de texture et de types de pommes.

Une approche plus directe consiste à d'abord détecter les pommes en utilisant la détection d'objets, puis à analyser leur couleur pour déterminer leur maturité. Comme cette méthode repose sur des seuils de couleur prédéfinis au lieu de l'entraînement d'un modèle, elle fonctionne bien dans des conditions stables où l'éclairage et les arrière-plans ne changent pas radicalement.

Bien qu'un modèle entraîné sur mesure puisse être meilleur pour des environnements plus 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 ceux qui découvrent le traitement d'image et la vision par ordinateur avant de passer à des solutions plus avancées.

Link to this sectionApplications concrètes de la détection des couleurs#

La détection des couleurs est utilisée dans un large éventail d'industries pour diverses applications. Jetons un coup d'œil à quelques cas d'utilisation concrets.

Link to this sectionLa détection des couleurs pour l'évaluation de la qualité des tissus#

La détection des couleurs est cruciale dans la production de tissus et le 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 à l'erreur humaine, les systèmes automatisés fournissent une détection des défauts précise et en temps réel.

Plus précisément, en analysant les images de tissus, les systèmes de vision par ordinateur peuvent identifier des défauts tels qu'une distribution inégale de la teinture, la décoloration et la contamination. Des techniques avancées de détection des couleurs rendent possible 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.

Link to this sectionUtiliser la détection des couleurs dans l'agriculture#

Comme mentionné précédemment, la couleur est un indicateur clé de la maturité, et la technologie de détection des couleurs peut être utilisée dans l'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 vision par ordinateur aident à automatiser le processus en garantissant que seules les cultures mûres sont cueillies. Ces systèmes peuvent augmenter l'efficacité et la productivité, surtout dans les régions confrontées à des pénuries de main-d'œuvre.

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

Link to this sectionPoints clés#

La détection des couleurs est une technique innovante de vision par ordinateur avec des applications dans l'agriculture, la fabrication, la 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, surtout dans les environnements contrôlés. À mesure que la technologie progresse, elle continuera probablement à jouer un rôle clé dans l'amélioration des applications du monde réel.

Plonge plus profondément dans l'IA en explorant notre communauté et notre dépôt GitHub. Découvre les innovations en IA dans la fabrication et en vision par ordinateur dans la santé, et découvre comment commencer à tirer parti de l'IA visuelle avec nos options de licence.