28 febbraio 2025
Scopri come il rilevamento del colore collega la visione umana e quella artificiale, utilizzando gli spazi colore RGB e HSV per automatizzare le soluzioni di computer vision.
I colori svolgono un ruolo fondamentale nel modo in cui gli esseri umani vivono il mondo, aiutandoci a riconoscere, comprendere e connetterci con ciò che ci circonda. Tuttavia, a differenza di noi, le macchine non vedono i colori: li elaborano come dati, traducendo sfumature e tonalità in valori numerici.
Un' auto a guida autonoma non si limita a vedere un semaforo rosso: elabora il colore come segnale di stop. Questa capacità di riconoscere e interpretare i colori aiuta a colmare il divario tra la visione umana e la computer vision.
La computer vision è una branca dell'IA che consente alle macchine di analizzare e comprendere i dati visivi. Un aspetto fondamentale è il color detection, che consente alle macchine di identificare e differenziare gli oggetti in base al colore. Analizzando i valori dei pixel in diversi spazi colore, il color detection può essere utilizzato in applicazioni come l'object tracking, l'imaging medicale e l'automazione.
In questo articolo, esamineremo più da vicino come funziona il rilevamento del colore, perché è importante e come viene utilizzato nelle applicazioni di computer vision. Iniziamo!
Il rilevamento del colore aiuta le macchine a identificare gli oggetti e a comprendere le scene in base al colore. Se combinato con altre attività di computer vision, migliora la precisione e potenzia le applicazioni nel mondo reale. Prima di approfondire il funzionamento del rilevamento del colore, è utile capire come i colori sono rappresentati digitalmente.
Le immagini digitali sono costituite da minuscoli quadrati chiamati pixel, ognuno dei quali contiene informazioni sul colore. Ad esempio, per quanto riguarda il modello di colore RGB (Rosso, Verde, Blu), i colori vengono creati mescolando diverse intensità di rosso, verde e blu.
Ogni colore è definito da tre valori, che vanno da 0 a 255, dove 0 significa nessun colore e 255 significa intensità massima. Ad esempio, il rosso puro è (255, 0, 0) perché ha il valore rosso più alto e nessun verde o blu. Il bianco è (255, 255, 255) perché tutti e tre i colori sono alla massima intensità.
Se hai familiarità con i modelli di computer vision come Ultralytics YOLO11, potresti chiederti perché il rilevamento del colore è una tecnica separata dal rilevamento oggetti. Sebbene entrambi analizzino le immagini, servono a scopi diversi.
Il rilevamento del colore 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 del colore rileva il rosso in un semaforo, mentre il rilevamento degli oggetti identifica il semaforo stesso, aiutando l'auto a prendere decisioni di guida sicure.
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 del colore. Assegna valori numerici ai colori, consentendo ai computer di interpretarli in modo coerente su diversi dispositivi. Gli spazi colore forniscono un modo strutturato per archiviare, regolare e visualizzare i colori nei sistemi digitali.
Alcuni spazi colore comunemente usati includono RGB per i display digitali, HSV (Tonalità, Saturazione, Valore) per l'elaborazione delle immagini e CMYK (Ciano, Magenta, Giallo, Nero) per la stampa. RGB e HSV sono gli spazi colore più frequentemente utilizzati per il rilevamento dei colori. Approfondiamo il loro funzionamento.
Lo spazio colore RGB è ampiamente utilizzato nell'imaging digitale, presente in schermi, fotocamere e dispositivi di visualizzazione. Funziona combinando diversi livelli di luce rossa, verde e blu per creare vari colori. Quando tutti e tre i colori sono alla massima intensità, il risultato è il bianco, e quando nessuno è presente, appare il nero.
Questo spazio colore viene spesso visualizzato come un cubo di colori, dove ogni 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 possibili sfumature.
Sebbene RGB sia semplice e popolare, presenta alcune limitazioni. I colori potrebbero non apparire sempre uguali all'occhio umano perché RGB non corrisponde uniformemente al modo in cui percepiamo le differenze di colore. È anche influenzato dalle condizioni di illuminazione, il che significa che i colori possono apparire diversi a seconda della luminosità e dell'ambiente.
Lo spazio colore HSV (Hue, Saturation, Value) 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 mescola le intensità della luce, HSV è più vicino al modo in cui gli esseri umani percepiscono i colori, rendendolo una scelta più pratica per molte attività di elaborazione delle immagini.
In particolare, la tonalità rappresenta il colore effettivo ed è misurata in gradi su una ruota dei colori, con il rosso a 0° e il blu a 240°. Nel frattempo, la saturazione controlla quanto vivido o spento appare un colore, dove lo 0% è completamente grigio e il 100% è completamente vibrante. D'altra parte, il valore determina la luminosità, che va dallo 0% (nero) al 100% (piena luminosità).
È interessante notare che lo spazio colore HSV viene spesso visualizzato come un cono, dove la tonalità si avvolge attorno al bordo, la saturazione si muove 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 computer vision.
Per confrontare RGB e HSV fianco a fianco, prendiamo come esempio il colore arancione. Nello spazio colore RGB, l'arancione viene creato mescolando rosso e verde a specifiche intensità, tipicamente rappresentato come (255, 165, 0), il che significa rosso pieno, un po' di verde e niente blu. Tuttavia, poiché RGB non separa il colore dalla luminosità, può essere meno intuitivo per le attività che richiedono una precisa manipolazione del colore.
In HSV, l'arancione è definito in modo diverso. La sua tonalità è di circa 30°, il che determina la sua posizione sulla ruota dei colori. La sua saturazione è vicina al 100%, il che significa che è un colore vivido e puro, e anche il suo valore è del 100%, il che indica la massima luminosità. Poiché HSV separa il colore dalla luminosità, è spesso più utile nelle applicazioni di rilevamento del colore in cui le condizioni di illuminazione possono cambiare.
In genere, il rilevamento del colore viene affrontato come una tecnica di elaborazione delle immagini utilizzata per identificare e isolare i colori da immagini o video. I colori rilevati nelle immagini tramite l'elaborazione delle immagini si basano su spazi colore e tecniche di sogliatura per differenziare specifiche tonalità, sfumature e intensità.
Ecco una rapida panoramica dei passaggi chiave coinvolti nel rilevamento del colore tramite l'elaborazione delle immagini:
Una volta che il colore viene rilevato e isolato, può essere utilizzato in varie attività di computer vision, come il tracciamento di oggetti, la segmentazione di immagini e il processo decisionale automatizzato in applicazioni come la robotica, l'imaging medicale e i veicoli autonomi.
Ora che abbiamo imparato come funziona il rilevamento del colore, esploriamo come supporta le applicazioni di computer vision.
In alcuni casi, il rilevamento del colore può essere un'alternativa più semplice ai modelli di computer vision, soprattutto in ambienti controllati dove il colore è il fattore principale per distinguere gli oggetti. Invece di addestrare un modello con un dataset massiccio, il rilevamento del colore fornisce una soluzione rapida ed efficiente senza la necessità di un'etichettatura estensiva o di un'elevata potenza di calcolo.
Ad esempio, in un sistema automatizzato di selezione delle mele, un modello di computer vision come YOLO11 potrebbe essere addestrato per classificare le mele in base al grado di maturazione, ma richiederebbe un dataset di immagini etichettate per gestire le variazioni di illuminazione, consistenza e tipologia di mele.
Un approccio più semplice è quello di rilevare prima le mele utilizzando il rilevamento oggetti e quindi analizzare il loro colore per determinarne la maturazione. Poiché questo metodo si basa su soglie di colore predefinite invece di addestrare 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 per ambienti più complessi e variabili, il rilevamento del colore è una soluzione rapida, pratica e accessibile per applicazioni in tempo reale. È anche un ottimo punto di partenza per chi si avvicina all'elaborazione delle immagini e alla computer vision prima di passare a soluzioni più avanzate.
Il rilevamento del colore è utilizzato in una vasta gamma di settori per diverse applicazioni. Diamo un'occhiata ad alcuni casi d'uso reali.
Il rilevamento del colore è fondamentale nella produzione di tessuti. È comunemente utilizzato nei sistemi automatizzati di controllo qualità e identificazione dei difetti. A differenza dell'ispezione manuale, che richiede tempo ed è soggetta a errori umani, i sistemi automatizzati forniscono un rilevamento dei difetti accurato e in tempo reale.
Nello specifico, analizzando le immagini del tessuto, i sistemi di computer vision possono identificare difetti come una distribuzione irregolare del colorante, lo sbiadimento e la contaminazione. Le tecniche avanzate di rilevamento del colore rendono possibile un controllo di qualità più preciso misurando la consistenza del colore tra diversi lotti.
Come accennato in precedenza, il colore è un indicatore chiave della maturazione e la tecnologia di rilevamento del colore 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 malattie e determinare quando i raccolti sono pronti per la raccolta. Robot avanzati dotati di sensori di colore e visione artificiale aiutano ad automatizzare il processo assicurando che vengano raccolti solo i raccolti maturi. Questi sistemi possono aumentare l'efficienza e la produttività, soprattutto nelle aree con carenza di manodopera.
Il rilevamento del colore è una tecnica innovativa di computer vision con applicazioni in agricoltura, produzione, sanità e automazione. Aiuta le macchine a riconoscere e interpretare i colori per il tracciamento degli oggetti, il controllo della qualità e il processo decisionale.
Mentre i modelli di IA avanzati continuano a evolversi, il rilevamento del colore rimane una soluzione semplice ed efficace, soprattutto in ambienti controllati. Con il progresso della tecnologia, è probabile che continui a svolgere un ruolo chiave nel miglioramento delle applicazioni nel mondo reale.
Approfondisci il mondo dell'IA esplorando la nostra community e il repository GitHub. Scopri le innovazioni nell'IA nel settore manifatturiero e nella computer vision in ambito sanitario, e scopri come iniziare a sfruttare la Vision AI con le nostre opzioni di licenza.
