Aproveitamento da deteção de cores em aplicações de visão computacional

As cores desempenham um papel fundamental na forma como as pessoas vivenciam o mundo, ajudando-nos a reconhecer, compreender e nos conectar com o que nos cerca. No entanto, ao contrário de nós, as máquinas não enxergam cores; elas as processam como dados, convertendo tons e matizes em valores numéricos.

Um carro autônomo não apenas vê um semáforo vermelho; ele processa a cor como um sinal para parar. Essa capacidade de reconhecer e interpretar cores ajuda a aproximar a visão humana da visão computacional.

A visão computacional é um ramo da IA que permite às máquinas analisar e entender dados visuais. Um aspecto fundamental é a detecção de cores, que permite às máquinas identificar e diferenciar objetos com base na cor. Ao analisar valores de pixels em diferentes espaços de cores, a detecção de cores pode ser usada em aplicações como rastreamento de objetos, diagnóstico por imagem e automação.

Neste artigo, vamos analisar mais de perto como funciona a detecção de cores, por que ela é importante e como é usada em aplicações de visão computacional.

O que é detecção de cores?#

A detecção de cores ajuda as máquinas a identificar objetos e entender cenas com base na cor. Quando combinada com outras tarefas de visão computacional, ela melhora a precisão e aprimora aplicações do mundo real. Antes de explorar como funciona a detecção de cores, é útil entender como as cores são representadas digitalmente.

As imagens digitais são compostas por pequenos quadrados chamados pixels, cada um contendo informações de cor. Por exemplo, no modelo de cores RGB (vermelho, verde e azul), as cores são criadas pela combinação de 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), pois tem o valor máximo de vermelho e nenhum verde ou azul. O branco é (255, 255, 255), pois as três cores estão na intensidade máxima.

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

Se você conhece modelos de visão computacional como o Ultralytics YOLO11, talvez se pergunte por que a detecção de cores é uma técnica separada da detecção de objetos. Embora ambas analisem imagens, elas têm finalidades diferentes.

A detecção de cores se concentra em identificar cores específicas em uma imagem, enquanto a detecção de objetos reconhece e classifica objetos independentemente da cor. No caso do carro autônomo, a detecção de cores detecta o vermelho no semáforo, enquanto a detecção de objetos identifica o próprio semáforo, ajudando o carro a tomar decisões seguras ao dirigir.

Introdução aos espaços de cores#

Um modelo de cores ou espaço de cores é um sistema usado para representar cores em imagens digitais e é uma parte essencial da detecção de cores. Ele atribui valores numéricos às cores, permitindo que os computadores as interpretem de maneira consistente em diferentes dispositivos. Os espaços de cores oferecem uma forma estruturada de armazenar, ajustar e exibir cores em sistemas digitais.

Alguns espaços de cor usados com frequência incluem RGB para telas digitais, HSV (Matiz, Saturação, Valor) para processamento de imagens e CMYK (Ciano, Magenta, Amarelo, Preto) para impressão. RGB e HSV são os espaços de cor mais usados para detectar cores. Veja como eles funcionam.

Visão geral do espaço de cores RGB#

O espaço de cores RGB é amplamente usado em imagens digitais e está presente em telas, câmeras e dispositivos de exibição. Ele combina 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 delas está presente, a cor parece preta.

Esse espaço de cores costuma ser representado como um cubo de cores, em que cada eixo corresponde a uma das cores primárias. Os vértices do cubo mostram o vermelho, o verde e o azul puros, além de suas combinações, enquanto o interior contém todos os tons possíveis.

Embora seja simples e popular, o RGB tem algumas limitações. As cores nem sempre parecem iguais ao olho humano, pois o RGB não corresponde de maneira uniforme à forma como percebemos as diferenças entre cores. Ele também é afetado pelas condições de iluminação, o que significa que as cores podem parecer diferentes conforme o brilho e o ambiente.

Fig. 2. O cubo de cores RGB.

Visão geral do espaço de cores HSV#

O espaço de cores HSV (matiz, saturação e valor) representa as cores com base em três componentes: matiz (o tipo de cor), saturação (sua intensidade) e valor (seu brilho). Ao contrário do RGB, que combina intensidades de luz, o HSV se aproxima mais da forma como as pessoas percebem as cores, tornando-o uma opção mais prática para muitas tarefas de processamento de imagem.

Em particular, a matiz representa a cor propriamente dita e é medida em graus em uma roda de cores, com o vermelho a 0° e o azul a 240°. Já a saturação controla o quão viva ou apagada uma cor parece: 0% é totalmente cinza e 100% é totalmente vibrante. Por sua vez, o valor determina o brilho, variando de 0% (preto) a 100% (brilho máximo).

Curiosamente, o espaço de cores HSV costuma ser representado como um cone, no qual a matiz percorre a borda, a saturação aumenta para fora e o brilho aumenta de baixo para cima. Como separa a cor do brilho, o HSV é amplamente usado 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, vamos usar a cor laranja como exemplo. No espaço de cor RGB, o laranja é criado pela combinação de vermelho e verde em intensidades específicas, geralmente representadas como (255, 165, 0), o que significa vermelho no valor máximo, um pouco de verde e nenhum azul. No entanto, como RGB não separa a cor do brilho, pode ser menos intuitivo para tarefas que exigem manipulação precisa de cores.

No HSV, o laranja é definido de forma diferente. Seu matiz é de cerca de 39°, o que determina sua posição no círculo cromático. Sua saturação é próxima de 100%, o que significa que é uma cor vívida e pura, e seu valor também é de 100%, indicando brilho máximo. Como o HSV separa a cor do brilho, ele costuma ser mais útil em aplicações de detecção de cores nas quais as condições de iluminação podem mudar.

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

Como funciona a detecção de cores#

Normalmente, a detecção de cores é abordada como uma técnica de processamento de imagens usada para identificar e isolar cores em imagens ou vídeos. A detecção de cores em imagens por meio do processamento de imagens depende de espaços de cor e de técnicas de limiarização para diferenciar matizes, tons e intensidades específicos.

Veja uma visão geral rápida das principais etapas da detecção de cores usando processamento de imagem:

• Aquisição de imagem: o processo começa com a captura de uma imagem ou quadro de vídeo usando uma câmera. A imagem costuma ser armazenada no formato RGB como uma matriz de pixels.
• Conversão do espaço de cores: como o RGB nem sempre é ideal para a detecção de cores, a imagem é convertida para o espaço de cores HSV. Isso ajuda a separar a cor do brilho, tornando a detecção mais estável em diferentes condições de iluminação.
• Limiarização de cores: define-se um intervalo específico para a cor-alvo no formato HSV. Essa etapa cria uma máscara binária, em que os pixels dentro do intervalo de cores selecionado aparecem em branco e todos os demais aparecem em preto.
• Aplicação da máscara: a máscara binária é aplicada à imagem original para isolar a cor detectada e filtrar todo o resto. Assim, são destacadas apenas as áreas que correspondem à cor desejada.

Depois de detectada e isolada, a cor pode ser usada em várias tarefas de visão computacional, como rastreamento de objetos, segmentação de imagens e tomada de decisões automatizada em aplicações como robótica, diagnóstico por imagem e veículos autônomos.

O papel da detecção de cores na visão computacional#

Agora que aprendemos como funciona a detecção de cores, vamos explorar como ela dá suporte a aplicações de visão computacional.

Em certos casos, a detecção de cores pode ser uma alternativa mais simples aos modelos de visão computacional, especialmente em ambientes controlados nos quais a cor é o principal fator para diferenciar objetos. Em vez de treinar um modelo com um conjunto de dados enorme, a detecção de cores oferece uma solução rápida e eficiente, sem exigir uma anotação extensa nem alto poder computacional.

Por exemplo, em um sistema automatizado de classificação 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 imagens anotadas para lidar com variações de iluminação, textura e tipos de maçã.

Uma abordagem mais simples é primeiro detectar as maçãs usando detecção de objetos e, em seguida, analisar sua cor para determinar o grau de maturação. Como esse método se baseia em limites de cor predefinidos, em vez de treinar um modelo, ele funciona bem em condições estáveis, nas quais a iluminação e o fundo não mudam drasticamente.

Embora um modelo treinado sob medida possa ser melhor em ambientes mais complexos e variáveis, a detecção de cores é uma solução rápida, prática e acessível para aplicações em tempo real. Também é um ótimo ponto de partida para quem está aprendendo sobre processamento de imagem e visão computacional antes de passar a soluções mais avançadas.

Aplicações da detecção de cores no mundo real#

A detecção de cores é usada em vários setores para diversas aplicações. Vamos dar uma olhada em alguns casos de uso no mundo real.

Detecção de cores para avaliação da qualidade de tecidos#

A detecção de cores é essencial na produção de tecidos e na fabricação têxtil. Ela é comumente usada em sistemas automatizados de controle de qualidade e identificação de defeitos. Ao contrário da inspeção manual, que consome muito tempo e está sujeita a erros humanos, os sistemas automatizados detectam defeitos com precisão e em tempo real.

Mais especificamente, ao analisar imagens de tecidos, os sistemas de visão computacional conseguem identificar defeitos como distribuição irregular de corantes, desbotamento e contaminação. Técnicas avançadas de detecção de cores permitem um controle de qualidade mais preciso ao medir a consistência das cores entre diferentes lotes.

Fig. 5. A deteção de cores desempenha um papel fundamental na criação de tecidos coloridos.

Uso da deteção de cores na agricultura#

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

Ao analisar as 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 estágios de maturação: (a) podres, (b) maduras e (c) verdes.

Principais conclusões#

A detecção de cores é uma técnica prática de visão computacional, com aplicações na agricultura, manufatura, saúde e automação. Ela ajuda as máquinas a reconhecer e interpretar cores para rastreamento de objetos, controle de qualidade e tomada de decisões.

Embora os modelos avançados de IA continuem a evoluir, a deteção de cores continua a ser uma solução simples e eficaz, especialmente em ambientes controlados. Com o avanço da tecnologia, 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 sobre as inovações em IA na indústria e visão computacional na área da saúde e descobre como começar a aproveitar a IA visual com as nossas opções de licenciamento.