Sfruttare il rilevamento dei colori nelle applicazioni di computer vision

I colori svolgono un ruolo fondamentale nel modo in cui gli esseri umani vivono il mondo, aiutandoci a riconoscere, comprendere e rapportarci all’ambiente circostante. Tuttavia, a differenza nostra, le macchine non vedono i colori: li elaborano come dati, traducendo tonalità e sfumature in valori numerici.

Un'auto a guida autonoma non si limita a vedere un semaforo rosso: elabora il colore come un segnale di arresto. Questa capacità di riconoscere e interpretare i colori aiuta a colmare il divario tra visione umana e visione artificiale.

La visione artificiale è un ramo dell'AI che consente alle macchine di analizzare e comprendere i dati visivi. Un aspetto fondamentale è il rilevamento dei colori, che permette alle macchine di identificare e distinguere gli oggetti in base al colore. Analizzando i valori dei pixel in diversi spazi colore, il rilevamento dei colori può essere utilizzato in applicazioni come il tracciamento degli oggetti, l'imaging medico e l'automazione.

In questo articolo analizzeremo più da vicino come funziona il rilevamento dei colori, perché è importante e come viene utilizzato nelle applicazioni di visione artificiale. Iniziamo!

Che cos'è il rilevamento dei colori?#

Il rilevamento dei colori aiuta le macchine a identificare gli oggetti e a comprendere le scene in base al colore. Quando viene combinato con altri task di visione artificiale, migliora la precisione e potenzia le applicazioni del mondo reale. Prima di approfondire il funzionamento del rilevamento dei colori, è utile capire come i colori vengono rappresentati digitalmente.

Le immagini digitali sono composte da piccoli quadrati chiamati pixel, ognuno dei quali contiene informazioni sul colore. Ad esempio, nel modello di colore rosso, verde e blu (RGB), i colori vengono creati combinando diverse intensità di rosso, verde e blu.

Ogni colore è definito da tre valori, compresi tra 0 e 255, dove 0 indica l'assenza di colore e 255 l'intensità massima. Ad esempio, il rosso puro è (255, 0, 0) perché ha il valore massimo per il rosso e nessun valore per il verde o il blu. Il bianco è (255, 255, 255) perché tutti e tre i colori hanno la massima intensità.

Fig. 1 Un esempio di come un computer vede i colori di una mela.

Se conosci già i modelli di visione artificiale come Ultralytics YOLO11, potresti chiederti perché il rilevamento dei colori sia una tecnica separata dal rilevamento degli oggetti. Sebbene entrambi analizzino le immagini, hanno scopi diversi.

Il rilevamento dei colori si concentra sull'identificazione di colori specifici in un'immagine, mentre il rilevamento degli oggetti riconosce e classifica gli oggetti indipendentemente dal loro colore. Nello scenario dell'auto a guida autonoma, il rilevamento dei colori individua il rosso di un semaforo, mentre il rilevamento degli oggetti identifica il semaforo stesso, aiutando l'auto a prendere decisioni di guida sicure.

Introduzione agli spazi colore#

Un modello di colore o spazio colore è un sistema utilizzato per rappresentare i colori nelle immagini digitali ed è una parte fondamentale del rilevamento dei colori. Assegna valori numerici ai colori, consentendo ai computer di interpretarli in modo coerente su dispositivi diversi. Gli spazi colore forniscono un metodo strutturato per memorizzare, modificare e visualizzare i colori nei sistemi digitali.

Tra gli spazi colore più utilizzati vi sono quello rosso, verde e blu (RGB) per i display digitali, quello tonalità, saturazione e valore (HSV) per l'elaborazione delle immagini e quello ciano, magenta, giallo e nero (CMYK) per la stampa. RGB e HSV sono gli spazi colore utilizzati più frequentemente per il rilevamento dei colori. Vediamo come funzionano.

Panoramica dello spazio colore RGB#

Lo spazio colore RGB è ampiamente utilizzato nell'imaging digitale, ad esempio negli schermi, nelle fotocamere e nei dispositivi di visualizzazione. Funziona combinando diversi livelli di luce rossa, verde e blu per creare vari colori. Quando tutti e tre i colori hanno la massima intensità, il risultato è il bianco; quando sono tutti assenti, appare il nero.

Questo spazio colore viene spesso visualizzato come un cubo cromatico, in cui ciascun asse rappresenta uno dei colori primari. Gli angoli del cubo mostrano il rosso, il verde e il blu puri, insieme alle loro combinazioni, mentre l'interno contiene tutte le sfumature possibili.

Sebbene RGB sia semplice e diffuso, presenta alcune limitazioni. I colori potrebbero non apparire sempre uguali all'occhio umano, perché RGB non corrisponde in modo uniforme al modo in cui percepiamo le differenze cromatiche. Inoltre, è influenzato dalle condizioni di illuminazione: i colori possono apparire diversi a seconda della luminosità e dell'ambiente.

Fig. 2 Il cubo cromatico RGB.

Panoramica dello spazio colore HSV#

Lo spazio colore HSV rappresenta i colori in base a tre componenti: tonalità (il tipo di colore), saturazione (la sua intensità) e valore (la sua luminosità). A differenza di RGB, che combina le intensità luminose, HSV è più vicino al modo in cui gli esseri umani percepiscono i colori, risultando quindi una scelta più pratica per molte attività di elaborazione delle immagini.

In particolare, la tonalità rappresenta il colore effettivo e viene misurata in gradi su una ruota cromatica, con il rosso a 0° e il blu a 240°. La saturazione controlla invece quanto un colore appare vivido o spento: 0% corrisponde al grigio completo e 100% a un colore completamente vivido. Il valore, d'altra parte, determina la luminosità, che va dallo 0% (nero) al 100% (luminosità massima).

È interessante notare che lo spazio colore HSV viene spesso visualizzato come un cono, in cui la tonalità si avvolge intorno al bordo, la saturazione si sposta verso l'esterno e la luminosità aumenta dal basso verso l'alto. Poiché separa il colore dalla luminosità, HSV è ampiamente utilizzato nelle applicazioni di visione artificiale.

Fig. 3. Il cono HSV.

Confronto tra gli spazi colore RGB e HSV#

Per confrontare RGB e HSV fianco a fianco, prendiamo come esempio il colore arancione. Nello spazio colore RGB, l'arancione viene creato combinando rosso e verde a intensità specifiche, generalmente rappresentate come (255, 165, 0), ovvero rosso al massimo, una certa quantità di verde e nessun blu. Tuttavia, poiché RGB non separa il colore dalla luminosità, può risultare meno intuitivo per le attività che richiedono una manipolazione precisa dei colori.

In HSV, l'arancione viene definito in modo diverso. La sua tonalità è di circa 30°, valore che ne determina la posizione sulla ruota cromatica. La saturazione è vicina al 100%, il che significa che si tratta di un colore vivido e puro, mentre il valore è anch'esso del 100%, a indicare la massima luminosità. Poiché HSV separa il colore dalla luminosità, è spesso più utile nelle applicazioni di rilevamento dei colori in cui le condizioni di illuminazione possono cambiare.

Fig. 4. Confronto tra i valori RGB e HSV. Immagine realizzata dall'autore.

Come funziona il rilevamento dei colori#

In genere, il rilevamento dei colori viene affrontato come una tecnica di elaborazione delle immagini utilizzata per identificare e isolare i colori da immagini o video. Il rilevamento dei colori nelle immagini tramite l'elaborazione delle immagini si basa sugli spazi colore e sulle tecniche di sogliatura per distinguere tonalità, sfumature e intensità specifiche.

Ecco una rapida panoramica dei passaggi principali coinvolti nel rilevamento dei colori tramite l'elaborazione delle immagini:

• Acquisizione delle immagini: il processo inizia catturando un'immagine o un fotogramma video con una fotocamera. L'immagine viene generalmente memorizzata in formato RGB come matrice di pixel.
• Conversione dello spazio colore: poiché RGB non è sempre ideale per il rilevamento dei colori, l'immagine viene convertita nello spazio colore HSV. Questo aiuta a separare il colore dalla luminosità, rendendo il rilevamento più stabile in condizioni di illuminazione diverse.
• Sogliatura del colore: viene definito un intervallo specifico per il colore target nel formato HSV. Questo passaggio crea una maschera binaria, in cui i pixel compresi nell'intervallo di colori selezionato appaiono bianchi e tutti gli altri neri.
• Mascheramento: la maschera binaria viene applicata all'immagine originale per isolare il colore rilevato, filtrando tutto il resto. In questo modo vengono evidenziate solo le aree che corrispondono al colore desiderato.

Una volta rilevato e isolato, il colore può essere utilizzato in diverse attività di visione artificiale, come il tracciamento degli oggetti, la segmentazione delle immagini e il processo decisionale automatizzato in applicazioni quali la robotica, l'imaging medico e i veicoli autonomi.

Il ruolo del rilevamento dei colori nella visione artificiale#

Ora che abbiamo visto come funziona il rilevamento dei colori, esploriamo come supporta le applicazioni di visione artificiale.

In alcuni casi, il rilevamento dei colori può rappresentare un'alternativa più semplice ai modelli di visione artificiale, soprattutto in ambienti controllati in cui il colore è il fattore principale per distinguere gli oggetti. Invece di addestrare un modello con un enorme set di dati, il rilevamento dei colori offre una soluzione rapida ed efficiente senza richiedere un'annotazione estesa o un'elevata potenza di calcolo.

Ad esempio, in un sistema automatizzato per la selezione delle mele, un modello di visione artificiale come Ultralytics YOLO11 potrebbe essere addestrato a classificare le mele in base al grado di maturazione, ma richiederebbe un set di dati di immagini annotate per gestire le variazioni di illuminazione, consistenza e tipologia delle mele.

Un approccio più semplice consiste nel rilevare prima le mele tramite il rilevamento degli oggetti e poi analizzarne il colore per determinarne il grado di maturazione. Poiché questo metodo si basa su soglie di colore predefinite invece che sull'addestramento di un modello, funziona bene in condizioni stabili, in cui l'illuminazione e gli sfondi non cambiano drasticamente.

Sebbene un modello addestrato su misura possa essere più adatto ad ambienti complessi e variabili, il rilevamento dei colori è una soluzione rapida, pratica e accessibile per le applicazioni in tempo reale. È anche un ottimo punto di partenza per chi sta imparando l'elaborazione delle immagini e la visione artificiale, prima di passare a soluzioni più avanzate.

Applicazioni del rilevamento dei colori nel mondo reale#

Il rilevamento dei colori viene utilizzato in numerosi settori per applicazioni diverse. Vediamo alcuni casi d'uso nel mondo reale.

Rilevamento dei colori per la valutazione della qualità dei tessuti#

Il rilevamento dei colori è fondamentale nella produzione di tessuti e nella produzione tessile. Viene comunemente utilizzato nei sistemi automatizzati di controllo qualità e identificazione dei difetti. A differenza dell'ispezione manuale, che richiede molto tempo ed è soggetta all'errore umano, i sistemi automatizzati forniscono un rilevamento dei difetti accurato e in tempo reale.

In particolare, analizzando le immagini dei tessuti, i sistemi di visione artificiale possono identificare difetti come una distribuzione non uniforme della tintura, lo sbiadimento e la contaminazione. Le tecniche avanzate di rilevamento dei colori rendono possibile un controllo qualità più preciso misurando la coerenza cromatica tra lotti diversi.

Fig. 5. Il rilevamento dei colori svolge un ruolo fondamentale nella creazione di tessuti variopinti.

Utilizzo del rilevamento dei colori in agricoltura#

Come accennato in precedenza, il colore è un indicatore fondamentale del grado di maturazione e la tecnologia di rilevamento dei colori può essere utilizzata in agricoltura per monitorare la salute delle colture e migliorare la raccolta.

Analizzando le variazioni di colore, gli agricoltori possono valutare la salute delle piante, rilevare le malattie e determinare quando le colture sono pronte per la raccolta. Robot avanzati dotati di sensori del colore e sistemi di visione artificiale aiutano ad automatizzare il processo, garantendo che vengano raccolte solo le colture mature. Questi sistemi possono aumentare l'efficienza e la produttività, soprattutto nelle aree con carenza di manodopera.

Fig. 6 Mango a diversi livelli di maturazione: (a) marcio, (b) maturo e (c) acerbo.

Punti chiave#

Il rilevamento dei colori è una tecnica innovativa di visione artificiale con applicazioni in agricoltura, produzione, sanità e automazione. Aiuta le macchine a riconoscere e interpretare i colori per il tracciamento degli oggetti, il controllo qualità e il processo decisionale.

Sebbene i modelli avanzati di AI continuino a evolversi, il rilevamento dei colori rimane una soluzione semplice ed efficace, soprattutto negli ambienti controllati. Con il progresso della tecnologia, probabilmente continuerà a svolgere un ruolo fondamentale nel miglioramento delle applicazioni del mondo reale.

Approfondisci l'AI esplorando la nostra community e il nostro repository GitHub. Scopri le innovazioni nell'AI nella produzione e nella visione artificiale nel settore sanitario, e scopri come iniziare a sfruttare l'AI per la visione con le nostre opzioni di licenza.