Aproveitando a detecção de cores em aplicações de visão computacional

As cores desempenham um papel vital na forma como os humanos experienciam o mundo, ajudando-nos a reconhecer, compreender e conectar-nos com o que nos rodeia. No entanto, ao contrário de nós, as máquinas não veem cores - elas processam-nas como dados, traduzindo tonalidades e matizes em valores numéricos.

Um self-driving car não vê apenas um semáforo vermelho - ele processa a cor como um sinal para parar. Essa capacidade de reconhecer e interpretar cores ajuda a preencher a lacuna entre a visão humana e a computer vision.

Computer vision é um ramo da IA que permite que as máquinas analisem e compreendam dados visuais. Um aspecto fundamental disso é a detecção de cores, que permite às máquinas identificar e diferenciar objetos com base na cor. Ao analisar os valores dos pixels em diferentes espaços de cores, a detecção de cores pode ser usada em aplicações como rastreamento de objetos, imagens médicas e automação.

Neste artigo, vamos analisar mais de perto como funciona a deteção de cores, porque é importante e como é utilizada em aplicações de visão computacional. Vamos começar!

O que é a deteção de cores?#

A detecção de cores ajuda as máquinas a identificar objetos e compreender cenas com base na cor. Quando combinada com outras computer vision tasks, ela melhora a precisão e aprimora aplicações do mundo real. Antes de mergulhar em como a detecção de cores funciona, é útil entender como as cores são representadas digitalmente.

As imagens digitais são compostas por pequenos quadrados chamados píxeis, cada um contendo informação de cor. Por exemplo, no que diz respeito ao modelo de cor RGB (Red, Green, Blue), as cores são criadas misturando diferentes intensidades de vermelho, verde e azul.

Cada cor é definida por três valores, variando de 0 a 255, onde 0 significa ausência de cor e 255 significa intensidade total. Por exemplo, o vermelho puro é (255, 0, 0) porque tem o valor mais alto de vermelho e nenhum de verde ou azul. O branco é (255, 255, 255) porque as três cores estão na intensidade máxima.

Fig 1. Um exemplo de como um computador vê as cores de uma maçã.

Se conheces modelos de computer vision como o Ultralytics YOLO11, podes perguntar-te porque é que a detecção de cores é uma técnica separada da object detection. Embora ambas analisem imagens, elas servem a propósitos diferentes.

A detecção de cores foca-se em identificar cores específicas numa imagem, enquanto a object detection reconhece e classifica objetos independentemente da sua cor. No cenário do carro autônomo, a detecção de cores deteta o vermelho num semáforo, enquanto a object detection identifica o próprio semáforo, ajudando o carro a tomar decisões de condução seguras.

Introdução aos espaços de cor#

Um modelo de cor ou espaço de cor é um sistema utilizado para representar cores em imagens digitais e é uma parte crítica da deteção de cores. Atribui valores numéricos às cores, permitindo que os computadores as interpretem de forma consistente em diferentes dispositivos. Os espaços de cor fornecem uma forma estruturada de armazenar, ajustar e exibir cores em sistemas digitais.

Alguns espaços de cor comumente usados incluem o RGB para ecrãs digitais, HSV (Hue, Saturation, Value) para processamento de imagem e CMYK (Cyan, Magenta, Yellow, Black) para impressão. RGB e HSV são os espaços de cor mais utilizados para detetar cores. Vamos mergulhar em como funcionam.

Uma visão geral do espaço de cor RGB#

O espaço de cores RGB é amplamente utilizado em imagens digitais, encontrado em ecrãs, cameras e dispositivos de exibição. Ele funciona combinando diferentes níveis de luz vermelha, verde e azul para criar várias cores. Quando todas as três cores estão em intensidade máxima, o resultado é branco, e quando nenhuma está presente, aparece preto.

Este espaço de cor é frequentemente visualizado como um cubo de cor, onde cada eixo representa uma das cores primárias. Os cantos do cubo mostram o vermelho, verde e azul puros, juntamente com as suas combinações, enquanto o interior contém todas as tonalidades possíveis.

Embora o RGB seja simples e popular, tem algumas limitações. As cores podem nem sempre parecer as mesmas para o olho humano, porque o RGB não corresponde uniformemente à forma como percebemos as diferenças de cor. Também é afetado pelas condições de iluminação, o que significa que as cores podem parecer diferentes dependendo da luminosidade e do ambiente.

Fig 2. O cubo de cores RGB.

Uma visão geral do espaço de cor HSV#

O espaço de cor HSV (Hue, Saturation, Value) representa cores com base em três componentes: matiz (o tipo de cor), saturação (a sua intensidade) e valor (a sua luminosidade). Ao contrário do RGB, que mistura intensidades de luz, o HSV é mais próximo da forma como os humanos percebem as cores, tornando-o uma escolha mais prática para muitas tarefas de processamento de imagem.

Em particular, o matiz representa a cor real e é medido em graus numa roda de cores, com o vermelho em 0° e o azul em 240°. Entretanto, a saturação controla o quão viva ou baça uma cor parece, onde 0% é completamente cinzento e 100% é totalmente vibrante. Por outro lado, o valor determina a luminosidade, variando de 0% (preto) a 100% (brilho total).

Curiosamente, o espaço de cores HSV é frequentemente visualizado como um cone, onde a matiz envolve a borda, a saturação move-se para fora e o brilho aumenta de baixo para cima. Por separar a cor do brilho, o HSV é amplamente utilizado em computer vision applications.

Fig 3. O cone HSV.

Comparando os espaços de cor RGB e HSV#

Para comparar o RGB e o HSV lado a lado, vamos usar a cor laranja como exemplo. No espaço de cor RGB, o laranja é criado misturando vermelho e verde a intensidades específicas, tipicamente representado como (255, 165, 0) - o que significa vermelho total, algum verde e nenhum azul. No entanto, como o RGB não separa a cor da luminosidade, pode ser menos intuitivo para tarefas que requerem manipulação precisa da cor.

No HSV, o laranja é definido de forma diferente. O seu matiz é cerca de 30°, o que determina a sua posição na roda de cores. A sua saturação está próxima de 100%, o que significa que é uma cor viva e pura, e o seu valor também é 100%, indicando luminosidade total. Porque o HSV separa a cor da luminosidade, é frequentemente mais útil em aplicações de deteção de cores onde as condições de iluminação podem mudar.

Fig 4. Comparação de valores RGB e HSV. Imagem do autor.

Como funciona a deteção de cores#

Normalmente, a detecção de cores é abordada como uma técnica de image-processing usada para identificar e isolar cores de imagens ou vídeos. As cores detetadas em imagens usando processamento de imagem dependem de espaços de cores e técnicas de limiarização para diferenciar matizes, tons e intensidades específicos.

Aqui está uma rápida visão geral dos passos principais envolvidos na deteção de cores usando processamento de imagem:

• Aquisição de imagem: O processo começa capturando uma imagem ou frame de vídeo usando uma câmara. A imagem é geralmente armazenada no formato RGB como uma matriz de píxeis.
• Conversão de espaço de cor: Como o RGB nem sempre é ideal para deteção de cores, a imagem é convertida para o espaço de cor HSV. Isto ajuda a separar a cor da luminosidade, tornando a deteção mais estável sob diferentes condições de iluminação.
• Limiarização de cor: Um intervalo específico é definido para a cor alvo no formato HSV. Este passo cria uma máscara binária, onde os píxeis dentro do intervalo de cor selecionado aparecem brancos, e todos os outros aparecem pretos.
• Mascaramento: A máscara binária é aplicada à imagem original para isolar a cor detetada, filtrando todo o resto. Isto destaca apenas as áreas que correspondem à cor desejada.

Uma vez que a cor é detetada e isolada, pode ser usada em várias tarefas de visão computacional, como rastreio de objetos, segmentação de imagem e tomada de decisão automatizada em aplicações como robótica, imagiologia médica e veículos autónomos.

O papel da deteção de cores na visão computacional#

Agora que aprendemos como funciona a deteção de cores, vamos explorar como ela suporta aplicações de visão computacional.

Em certos casos, a detecção de cores pode ser uma alternativa mais simples aos computer vision models, especialmente em ambientes controlados onde a cor é o principal fator para distinguir objetos. Em vez de treinar um modelo com um conjunto de dados massivo, a detecção de cores fornece uma solução rápida e eficiente sem a necessidade de rotulagem extensiva ou alto poder computacional.

Por exemplo, num sistema automatizado de triagem de maçãs, um modelo de visão computacional como o Ultralytics YOLO11 pode ser treinado para classificar as maçãs pelo grau de maturação, mas exigiria um conjunto de dados de imagens rotuladas para lidar com variações de iluminação, textura e tipos de maçãs.

Uma abordagem mais direta é primeiro detectar as maçãs usando object detection e depois analisar a sua cor para determinar a maturidade. Uma vez que este método depende de limites de cores predefinidos em vez de training de um modelo, ele funciona bem em condições estáveis onde a iluminação e os fundos não mudam drasticamente.

Embora um modelo treinado de forma personalizada possa ser melhor para ambientes mais complexos e variáveis, a deteção de cores é uma solução rápida, prática e acessível para aplicações em tempo real. É também um excelente ponto de partida para quem está a aprender sobre processamento de imagem e visão computacional antes de passar para soluções mais avançadas.

Aplicações reais da deteção de cores#

A deteção de cores é utilizada numa vasta gama de indústrias para várias aplicações. Vamos dar uma vista de olhos a alguns casos de uso no mundo real.

Deteção de cores para avaliação da qualidade de tecidos#

A detecção de cores é crucial na fabricação de tecidos e textile production. É comumente usada em sistemas automatizados de controle de qualidade e identificação de defeitos. Ao contrário da inspeção manual, que consome muito tempo e é propensa a erro humano, os sistemas automatizados fornecem detecção de defeitos precisa e em tempo real.

Especificamente, ao analisar imagens de tecido, os sistemas de visão computacional podem identificar defeitos como distribuição desigual de corante, desbotamento e contaminação. Técnicas avançadas de deteção de cores tornam possível um controlo de qualidade mais preciso, medindo a consistência da cor entre diferentes lotes.

Fig 5. A deteção de cores desempenha um papel fundamental na criação de tecido colorido.

Usando a deteção de cores na agricultura#

Como mencionado anteriormente, a cor é um indicador chave da maturação, e a tecnologia de deteção de cores pode ser usada na agricultura para monitorizar a saúde das culturas e melhorar a colheita.

Ao analisar variações de cor, os agricultores podem avaliar a saúde das plantas, detetar doenças e determinar quando as culturas estão prontas para a colheita. Robôs avançados equipados com sensores de cor e visão computacional ajudam a automatizar o processo, garantindo que apenas as culturas maduras são colhidas. Estes sistemas podem aumentar a eficiência e produtividade, especialmente em áreas com escassez de mão-de-obra.

Fig 6. Mangas em diferentes níveis de maturidade: (a) podre, (b) madura e (c) verde.

Principais pontos#

A deteção de cores é uma técnica inovadora de visão computacional com aplicações na agricultura, indústria, cuidados de saúde e automação. Ajuda as máquinas a reconhecer e interpretar cores para rastreio de objetos, controlo de qualidade e tomada de decisão.

Enquanto os modelos avançados de IA continuam a evoluir, a deteção de cores permanece uma solução simples e eficaz, especialmente em ambientes controlados. À medida que a tecnologia avança, provavelmente continuará a desempenhar um papel fundamental na melhoria de aplicações no mundo real.

Mergulha mais fundo na IA explorando a nossa community e o nosso GitHub repository. Sabe mais sobre inovações em AI in manufacturing e computer vision in healthcare, e descobre como começar a tirar partido da visão IA com as nossas licensing options.