Tirar partido da deteção de cores em aplicações de visão computacional

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

Um carro autónomo não vê apenas um semáforo vermelho — processa a cor como um sinal para parar. Esta capacidade de reconhecer e interpretar cores ajuda a estabelecer uma ponte entre a visão humana e a visão computacional.

A visão computacional é um ramo da IA que permite às máquinas analisar e compreender dados visuais. Um aspeto fundamental desta área é a deteção de cores, que permite às máquinas identificar e diferenciar objetos com base na cor. Ao analisar valores de píxeis em diferentes espaços de cores, a deteção de cores pode ser utilizada em aplicações como rastreamento de objetos, imagiologia médica e automação.

Neste artigo, vamos analisar mais detalhadamente 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 deteção de cores ajuda as máquinas a identificar objetos e compreender cenas com base na cor. Quando combinada com outras tarefas de visão computacional, melhora a precisão e otimiza aplicações no mundo real. Antes de explorarmos como funciona a deteção de cores, é útil compreender 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 modelo de cores vermelho, verde e azul (RGB), as cores são criadas misturando diferentes intensidades de vermelho, verde e azul.

Cada cor é definida por três valores, que variam de 0 a 255, em que 0 significa ausência de cor e 255 significa intensidade máxima. Por exemplo, o vermelho puro é (255, 0, 0), porque tem o valor máximo de vermelho e não tem verde nem 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 estás familiarizado com modelos de visão computacional como o Ultralytics YOLO11, podes perguntar-te porque é que a deteção de cores é uma técnica separada da deteção de objetos. Embora ambas analisem imagens, têm objetivos diferentes.

A deteção de cores concentra-se na identificação de cores específicas numa imagem, enquanto a deteção de objetos reconhece e classifica objetos independentemente da sua cor. No cenário do carro autónomo, a deteção de cores deteta o vermelho de um semáforo, enquanto a deteção de objetos identifica o próprio semáforo, ajudando o carro a tomar decisões de condução seguras.

Introdução aos espaços de cores#

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

Alguns espaços de cores utilizados habitualmente incluem RGB para ecrãs digitais, HSV para processamento de imagens e CMYK para impressão. RGB e HSV são os espaços de cores mais utilizados na deteção de cores. Vamos analisar como funcionam.

Uma visão geral do espaço de cores RGB#

O espaço de cores RGB é amplamente utilizado em imagens digitais, estando presente em ecrãs, câmaras e dispositivos de visualização. Funciona combinando diferentes níveis de luz vermelha, verde e azul para criar várias cores. Quando as três cores estão na intensidade máxima, o resultado é branco; quando nenhuma está presente, o resultado é preto.

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

Embora RGB seja simples e popular, tem algumas limitações. As cores podem nem sempre parecer iguais ao olho humano, porque RGB não corresponde de forma uniforme à maneira como percecionamos as diferenças de cor. Também é afetado pelas condições de iluminação, o que significa que as cores podem parecer diferentes consoante a luminosidade e o ambiente.

Fig. 2 O cubo de cores RGB.

Uma visão geral do espaço de cores HSV#

O espaço de cores HSV representa as cores com base em três componentes: matiz (o tipo de cor), saturação (a sua intensidade) e valor (a sua luminosidade). Ao contrário de RGB, que mistura intensidades de luz, HSV aproxima-se mais da forma como os seres humanos percecionam as cores, tornando-o uma opção mais prática para muitas tarefas de processamento de imagens.

Mais especificamente, a matiz representa a cor propriamente dita e é medida em graus numa roda de cores, com o vermelho a 0° e o azul a 240°. Já a saturação controla o quão viva ou apagada parece uma cor: 0% corresponde a cinzento completo e 100% a uma cor totalmente vibrante. Por outro lado, o valor determina a luminosidade, variando de 0% (preto) a 100% (luminosidade máxima).

É interessante notar que o espaço de cores HSV é frequentemente visualizado como um cone, em que a matiz se estende ao longo da margem, a saturação se move para fora e a luminosidade aumenta de baixo para cima. Por separar a cor da luminosidade, HSV é amplamente utilizado em aplicações de visão computacional.

Fig. 3. O cone HSV.

Comparação entre os espaços de cores RGB e HSV#

Para comparar RGB e HSV lado a lado, tomemos a cor laranja como exemplo. No espaço de cores RGB, o laranja é criado misturando vermelho e verde com intensidades específicas, normalmente representadas como (255, 165, 0) — o que significa vermelho na intensidade máxima, algum verde e ausência de azul. No entanto, como RGB não separa a cor da luminosidade, pode ser menos intuitivo para tarefas que exigem uma manipulação precisa da cor.

Em HSV, o laranja é definido de forma diferente. A sua matiz é de aproximadamente 30°, o que determina a sua posição na roda de cores. A sua saturação é próxima de 100%, o que significa que é uma cor viva e pura, e o seu valor também é 100%, indicando luminosidade máxima. Como HSV separa a cor da luminosidade, é frequentemente mais útil em aplicações de deteção de cores nas quais as condições de iluminação podem variar.

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

Como funciona a deteção de cores#

Normalmente, a deteção de cores é abordada como uma técnica de processamento de imagens utilizada para identificar e isolar cores em imagens ou vídeos. As cores detetadas em imagens através do processamento de imagens dependem de espaços de cores e técnicas de limiarização para diferenciar matizes, tonalidades e intensidades específicas.

Segue-se uma breve visão geral das principais etapas envolvidas na deteção de cores através do processamento de imagens:

• Aquisição de imagens: O processo começa com a captura de uma imagem ou de um fotograma de vídeo através de uma câmara. Normalmente, a imagem é armazenada no formato RGB como uma matriz de píxeis.
• Conversão do espaço de cores: Como RGB nem sempre é ideal para a deteção de cores, a imagem é convertida para o espaço de cores HSV. Isto ajuda a separar a cor da luminosidade, tornando a deteção mais estável em diferentes condições de iluminação.
• Limiarização de cores: É definido um intervalo específico para a cor-alvo no formato HSV. Esta etapa cria uma máscara binária, na qual os píxeis dentro do intervalo de cores selecionado aparecem a branco e todos os restantes aparecem a preto.
• Mascaramento: A máscara binária é aplicada à imagem original para isolar a cor detetada, filtrando tudo o resto. Isto realça apenas as áreas que correspondem à cor pretendida.

Depois de a cor ser detetada e isolada, pode ser utilizada em várias tarefas de visão computacional, como rastreamento de objetos, segmentação de imagens e tomada de decisões 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 esta apoia as aplicações de visão computacional.

Em determinados casos, a deteção de cores pode ser uma alternativa mais simples aos modelos de visão computacional, especialmente em ambientes controlados onde a cor é o principal fator de distinção entre objetos. Em vez de treinar um modelo com um conjunto de dados enorme, a deteção de cores fornece uma solução rápida e eficiente, sem necessidade de anotações extensivas ou de um elevado poder computacional.

Por exemplo, num sistema automatizado de triagem de maçãs, um modelo de visão computacional como o Ultralytics YOLO11 poderia ser treinado para classificar maçãs de acordo com o grau de maturação, mas precisaria de um conjunto de dados de imagens anotadas para lidar com variações de iluminação, textura e tipos de maçã.

Uma abordagem mais simples consiste em detetar primeiro as maçãs através da deteção de objetos e, em seguida, analisar a sua cor para determinar o grau de maturação. Como este método depende de limiares de cor predefinidos em vez de treinar um modelo, funciona bem em condições estáveis, nas quais a iluminação e os fundos não sofrem alterações drásticas.

Embora um modelo treinado especificamente 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 imagens e visão computacional antes de avançar para soluções mais avançadas.

Aplicações reais da deteção de cores#

A deteção de cores é utilizada numa vasta gama de setores para diferentes aplicações. Vejamos alguns casos de utilização no mundo real.

Deteção de cores para avaliação da qualidade dos tecidos#

A deteção de cores é crucial na produção de tecidos e têxteis. É normalmente utilizada em sistemas automatizados de controlo de qualidade e identificação de defeitos. Ao contrário da inspeção manual, que é demorada e propensa a erros humanos, os sistemas automatizados proporcionam uma deteção de defeitos precisa e em tempo real.

Especificamente, através da análise de imagens de tecidos, os sistemas de visão computacional podem identificar defeitos como distribuição irregular da tinta, descoloração e contaminação. As técnicas avançadas de deteção de cores permitem 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 tecidos coloridos.

Utilização da deteção de cores na agricultura#

Como mencionado anteriormente, a cor é um indicador fundamental do grau de maturação, e a tecnologia de deteção de cores pode ser utilizada 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 sejam colhidas. Estes sistemas podem aumentar a eficiência e a produtividade, especialmente em áreas com escassez de mão de obra.

Fig. 6 Mangas em diferentes níveis de maturação: (a) podres, (b) maduras e (c) verdes.

Principais conclusões#

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

Embora os modelos avançados de IA continuem a evoluir, a deteção de cores permanece uma solução simples e eficaz, especialmente em ambientes controlados. À medida que a tecnologia avança, é provável que continue a desempenhar um papel fundamental na melhoria das aplicações no mundo real.

Aprofunda os teus conhecimentos sobre IA explorando a nossa comunidade e o nosso repositório do GitHub. Aprende mais sobre inovações em IA na indústria transformadora e visão computacional nos cuidados de saúde, e descobre como começar a tirar partido da IA de visão com as nossas opções de licenciamento.