28 février 2025
Découvrez comment la détection des couleurs relie la vision humaine et la vision par ordinateur, en utilisant les espaces colorimétriques RVB et HSV pour automatiser les solutions de vision par ordinateur.
Les couleurs jouent un rôle essentiel dans la façon dont les humains perçoivent le monde, nous aidant à reconnaître, à comprendre et à nous connecter avec notre environnement. Cependant, contrairement à nous, les machines ne voient pas les couleurs : elles les traitent comme des données, traduisant les nuances et les teintes en valeurs numériques.
Une voiture autonome ne se contente pas de voir un feu rouge : elle traite la couleur comme un signal d'arrêt. Cette capacité à reconnaître et à interpréter les couleurs contribue 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 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, pourquoi elle est importante et comment elle est utilisée dans les applications de vision par ordinateur. Commençons !
La détection de couleurs aide les machines à identifier les objets et à comprendre les scènes en fonction de la couleur. Combinée à d'autres tâches de vision par ordinateur, elle améliore la précision et renforce les applications du monde réel. Avant de se plonger dans le fonctionnement de la détection de couleurs, il est utile de comprendre comment les couleurs sont représentées numériquement.
Les images numériques sont constituées de minuscules carrés appelés pixels, chacun contenant des informations de couleur. Par exemple, en ce qui concerne le modèle de couleur 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 aucune couleur et 255 signifie une intensité maximale. Par exemple, le rouge pur est (255, 0, 0) car il a la valeur rouge la plus élevée et pas de vert ou de bleu. Le blanc est (255, 255, 255) car les trois couleurs sont à pleine intensité.
Si vous connaissez les modèles de vision par ordinateur comme Ultralytics YOLO11, vous vous demandez peut-être pourquoi la détection des couleurs est une technique distincte de la détection d'objets. Bien que les deux analysent les images, elles servent des objectifs différents.
La détection de 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 d'une voiture autonome, la détection de couleurs détecte le rouge d'un feu de circulation, tandis que la détection d'objets identifie le feu de circulation lui-même, aidant ainsi la voiture à prendre des décisions de conduite sûres.
Un modèle de couleur 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 un moyen structuré de stocker, d'ajuster et d'afficher les couleurs dans les systèmes numériques.
Parmi les espaces colorimétriques couramment utilisés, on trouve le RGB pour les écrans numériques, le HSV (Teinte, Saturation, Valeur) pour le traitement d'image et le CMYK (Cyan, Magenta, Jaune, Noir) pour l'impression. Les espaces colorimétriques RGB et HSV sont les plus fréquemment utilisés pour la détection des couleurs. Examinons de plus près leur fonctionnement.
L'espace colorimétrique RVB est largement utilisé dans l'imagerie numérique, que l'on retrouve dans les écrans, les appareils photo 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 pleine intensité, le résultat est blanc, et lorsqu'aucune n'est présente, il apparaît noir.
Cet espace colorimétrique est souvent visualisé sous forme de cube de couleurs, 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 modèle RVB soit simple et populaire, il présente certaines limites. Les couleurs peuvent ne pas toujours être perçues de la même manière par l'œil humain, car le modèle RVB ne correspond pas uniformément à la façon dont nous percevons les différences de couleurs. Il est également affecté par les conditions d'éclairage, ce qui signifie que les couleurs peuvent apparaître différemment selon la luminosité et l'environnement.
L'espace colorimétrique HSV (Hue, Saturation, Value) représente les couleurs en fonction 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 l'éclat ou la matité d'une couleur, où 0 % est complètement gris et 100 % est entièrement vibrant. D'autre part, la valeur détermine la luminosité, allant de 0 % (noir) à 100 % (luminosité maximale).
Il est intéressant de noter que 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 de bas en haut. Parce qu'il sépare la couleur de la luminosité, HSV est largement utilisé dans les applications de vision par ordinateur.
Pour comparer RVB et HSV côte à côte, prenons l'exemple de la couleur orange. Dans l'espace colorimétrique RVB, l'orange est créé en mélangeant le rouge et le vert à des intensités spécifiques, généralement représentées par (255, 165, 0) - ce qui signifie rouge plein, un peu de vert et pas de bleu. Cependant, comme RVB 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 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. Parce que HSV sépare la couleur de la luminosité, il est souvent plus utile dans les applications de détection de couleur où les conditions d'éclairage peuvent changer.
Généralement, la détection de couleurs est abordée comme une technique de traitement d'image utilisée pour identifier et isoler les couleurs des images ou des 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 les teintes, les nuances et les intensités spécifiques.
Voici un aperçu rapide des principales étapes de la détection des couleurs à l'aide du traitement d'image :
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'images et la prise de décision automatisée dans des applications telles que la robotique, l'imagerie médicale et les véhicules autonomes.
Maintenant que nous avons appris comment fonctionne la détection des couleurs, explorons comment elle prend en charge 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, en particulier dans les environnements contrôlés où la couleur est le principal facteur de distinction des objets. Au lieu d'entraîner un modèle avec un ensemble de données massif, la détection des couleurs offre une solution rapide et efficace sans nécessiter d'étiquetage extensif ni de puissance de calcul élevée.
Par exemple, dans un système automatisé de tri des pommes, un modèle de vision par ordinateur tel que YOLO11 pourrait être entraîné pour classifier les pommes en fonction de leur degré de maturité, mais il aurait besoin d'un ensemble de données d'images étiquetées pour gérer les variations d'éclairage, de texture et de types de pommes.
Une approche plus simple consiste à d'abord détecter les pommes à l'aide de la détection d'objets, puis à analyser leur couleur pour déterminer leur maturité. Puisque cette méthode repose sur des seuils de couleur prédéfinis au lieu d'entraîner 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 préférable pour les 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 apprennent le traitement d'images et la vision par ordinateur avant de passer à des solutions plus avancées.
La détection des couleurs est utilisée dans un large éventail d'industries pour diverses applications. Examinons quelques cas d'utilisation concrets.
La détection de couleurs est essentielle dans la fabrication de tissus et de textiles. Elle est couramment utilisée dans les systèmes automatisés de contrôle de la 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 permettent une détection précise des défauts en temps réel.
Plus précisément, en analysant les images de tissu, les systèmes de vision par ordinateur peuvent identifier les défauts tels que la répartition inégale de la teinture, la décoloration et la contamination. Les techniques avancées de détection des couleurs rendent possible un contrôle qualité plus précis en mesurant la cohérence des couleurs entre les différents lots.
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 veillant à ce que seules les cultures mûres soient cueillies. Ces systèmes peuvent accroître l'efficacité et la productivité, en particulier dans les zones où la main-d'œuvre est rare.
La détection de couleurs est une technique innovante de vision par ordinateur qui trouve 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 de la 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. Au fur et à mesure que la technologie progresse, elle continuera probablement à jouer un rôle clé dans l'amélioration des applications du monde réel.
Plongez plus profondément dans l'IA en explorant notre communauté et notre dépôt GitHub. Découvrez les innovations en matière d'IA dans l'industrie manufacturière et de vision par ordinateur dans le secteur de la santé, et découvrez comment commencer à exploiter la Vision IA grâce à nos options de licence.
