Bilgisayarlı görü uygulamalarında renk algılamadan yararlanma

Renkler, dünyayı nasıl deneyimlediğimizde hayati bir rol oynar; etrafımızı tanımamıza, anlamamıza ve çevremizle bağ kurmamıza yardımcı olur. Ancak, bizden farklı olarak makineler renkleri görmez; onları veri olarak işler, tonları ve renk değerlerini sayısal değerlere dönüştürürler.

Bir self-driving car sadece kırmızı bir trafik ışığını görmekle kalmaz; rengi durma sinyali olarak işler. Renkleri tanıma ve yorumlama yeteneği, insan görüşü ile bilgisayarlı görü arasındaki boşluğu doldurmaya yardımcı olur.

Computer vision, makinelerin görsel verileri analiz etmesini ve anlamasını sağlayan bir yapay zeka dalıdır. Bunun kilit bir yönü, makinelerin nesneleri renge göre tanımlamasını ve ayırt etmesini sağlayan renk tespitidir. Farklı renk uzaylarındaki piksel değerlerini analiz ederek renk tespiti; nesne takibi, tıbbi görüntüleme ve otomasyon gibi uygulamalarda kullanılabilir.

Bu makalede renk algılamanın nasıl çalıştığına, neden önemli olduğuna ve bilgisayarlı görü uygulamalarında nasıl kullanıldığına daha yakından bakacağız. Hadi başlayalım!

Renk algılama nedir?#

Renk tespiti, makinelerin nesneleri tanımlamasına ve sahneleri renge göre anlamasına yardımcı olur. Diğer computer vision tasks ile birleştirildiğinde doğruluğu artırır ve gerçek dünyadaki uygulamaları iyileştirir. Renk tespitinin nasıl çalıştığına dalmadan önce, renklerin dijital olarak nasıl temsil edildiğini anlamak faydalıdır.

Dijital görüntüler, her biri renk bilgisi tutan pikseller adı verilen küçük karelerden oluşur. Örneğin, RGB (Kırmızı, Yeşil, Mavi) renk modeliyle ilgili olarak, renkler farklı yoğunluktaki kırmızı, yeşil ve mavinin karıştırılmasıyla oluşturulur.

Her renk, 0 ile 255 arasında değişen üç değerle tanımlanır; burada 0 rengin olmadığı, 255 ise tam yoğunluk anlamına gelir. Örneğin, saf kırmızı (255, 0, 0) şeklindedir çünkü en yüksek kırmızı değerine sahiptir ve yeşil veya mavi içermez. Beyaz ise (255, 255, 255) şeklindedir çünkü her üç renk de tam yoğunluktadır.

Fig 1. Bir bilgisayarın bir elmanın renklerini nasıl gördüğüne dair bir örnek.

Ultralytics YOLO11 gibi computer vision modellerine aşinaysan, renk tespitinin neden nesne tespitinden ayrı bir teknik olduğunu merak edebilirsin. Her ikisi de görüntüleri analiz ederken farklı amaçlara hizmet ederler.

Renk tespiti, bir görüntüdeki belirli renkleri belirlemeye odaklanırken; nesne tespiti, nesneleri renklerinden bağımsız olarak tanır ve sınıflandırır. Otonom araç senaryosunda renk tespiti bir trafik ışığındaki kırmızıyı tespit ederken, object detection ise trafik ışığının kendisini tanımlayarak aracın güvenli sürüş kararları almasına yardımcı olur.

Renk uzaylarına giriş#

Bir renk modeli veya renk uzayı, dijital görüntülerdeki renkleri temsil etmek için kullanılan bir sistemdir ve renk algılamanın kritik bir parçasıdır. Renklere sayısal değerler atayarak bilgisayarların bunları farklı cihazlarda tutarlı bir şekilde yorumlamasını sağlar. Renk uzayları, renkleri dijital sistemlerde saklamak, ayarlamak ve görüntülemek için yapılandırılmış bir yol sunar.

Yaygın olarak kullanılan bazı renk uzayları arasında dijital ekranlar için RGB, görüntü işleme için HSV (Ton, Doygunluk, Değer) ve baskı için CMYK (Camgöbeği, Macenta, Sarı, Siyah) bulunur. RGB ve HSV, renkleri algılamak için en sık kullanılan renk uzaylarıdır. Şimdi nasıl çalıştıklarına bir göz atalım.

RGB renk uzayına genel bakış#

RGB renk uzayı dijital görüntülemede yaygın olarak kullanılır; ekranlarda, cameras ve görüntüleme cihazlarında bulunur. Çeşitli renkler oluşturmak için kırmızı, yeşil ve mavi ışığın farklı seviyelerini birleştirerek çalışır. Her üç renk de tam yoğunlukta olduğunda sonuç beyazdır, hiçbiri mevcut olmadığında ise siyah görünür.

Bu renk uzayı genellikle, her eksenin ana renklerden birini temsil ettiği bir renk küpü olarak görselleştirilir. Küpün köşeleri saf kırmızı, yeşil ve maviyi ve bunların kombinasyonlarını gösterirken, içi tüm olası tonları barındırır.

RGB basit ve popüler olmasına rağmen bazı sınırlamaları vardır. Renkler insan gözüne her zaman aynı görünmeyebilir çünkü RGB, renk farklılıklarını nasıl algıladığımızla tam olarak örtüşmez. Ayrıca aydınlatma koşullarından etkilenir, yani renkler parlaklığa ve ortama bağlı olarak farklı görünebilir.

Fig 2. RGB renk küpü.

HSV renk uzayına genel bakış#

HSV (Ton, Doygunluk, Değer) renk uzayı, renkleri üç bileşene göre temsil eder: ton (rengin türü), doygunluk (yoğunluğu) ve değer (parlaklığı). Işık yoğunluklarını karıştıran RGB'nin aksine, HSV insanların renkleri nasıl algıladığına daha yakındır ve bu da onu birçok görüntü işleme görevi için daha pratik bir seçenek haline getirir.

Özellikle, ton gerçek rengi temsil eder ve bir renk çarkında derecelerle ölçülür; kırmızı 0°, mavi 240°'dir. Bu arada, doygunluk bir rengin ne kadar canlı veya mat göründüğünü kontrol eder; %0 tamamen gri, %100 ise tamamen canlıdır. Öte yandan değer, %0 (siyah) ile %100 (tam parlaklık) arasında değişen parlaklığı belirler.

İlginç bir şekilde, HSV renk uzayı genellikle tonun kenarın etrafında sarıldığı, doygunluğun dışa doğru hareket ettiği ve parlaklığın alttan üste doğru arttığı bir koni olarak görselleştirilir. Rengi parlaklıktan ayırdığı için HSV, computer vision applications içinde yaygın olarak kullanılır.

Şekil 3. HSV konisi.

RGB ve HSV renk uzayını karşılaştırma#

RGB ve HSV'yi yan yana karşılaştırmak için örnek olarak turuncu rengini ele alalım. RGB renk uzayında turuncu, kırmızı ve yeşilin belirli yoğunluklarda karıştırılmasıyla oluşturulur ve tipik olarak (255, 165, 0) olarak temsil edilir; bu da tam kırmızı, biraz yeşil ve hiç mavi olmadığı anlamına gelir. Ancak RGB rengi parlaklıktan ayırmadığı için, hassas renk manipülasyonu gerektiren görevler için daha az sezgisel olabilir.

HSV'de turuncu farklı şekilde tanımlanır. Tonu, renk çarkındaki konumunu belirleyen yaklaşık 30°'dir. Doygunluğu %100'e yakındır, yani canlı, saf bir renktir ve değeri de %100'dür, bu da tam parlaklığı gösterir. HSV rengi parlaklıktan ayırdığı için, aydınlatma koşullarının değişebileceği renk algılama uygulamalarında genellikle daha kullanışlıdır.

Şekil 4. RGB ve HSV değerlerinin karşılaştırması. Görsel yazar tarafından hazırlanmıştır.

Renk algılama nasıl çalışır#

Tipik olarak renk tespiti, görüntülerden veya videolardan renkleri belirlemek ve izole etmek için kullanılan bir image-processing tekniği olarak ele alınır. Görüntü işleme kullanılarak görüntülerde tespit edilen renkler, belirli tonları, gölgeleri ve yoğunlukları ayırt etmek için renk uzaylarına ve eşikleme tekniklerine dayanır.

İşte görüntü işleme kullanarak renk algılamanın içerdiği temel adımlara kısa bir bakış:

• Görüntü edinimi: Süreç, bir kamera kullanarak bir görüntü veya video karesi yakalamakla başlar. Görüntü genellikle RGB formatında bir piksel matrisi olarak saklanır.
• Renk uzayı dönüştürme: RGB her zaman renk algılama için ideal olmadığından, görüntü HSV renk uzayına dönüştürülür. Bu, rengi parlaklıktan ayırmaya yardımcı olur ve farklı aydınlatma koşullarında algılamayı daha kararlı hale getirir.
• Renk eşikleme: HSV formatında hedef renk için belirli bir aralık tanımlanır. Bu adım, seçilen renk aralığındaki piksellerin beyaz, diğerlerinin ise siyah göründüğü ikili bir maske oluşturur.
• Maskeleme: İkili maske, algılanan rengi izole etmek için orijinal görüntüye uygulanır ve diğer her şeyi filtreler. Bu, yalnızca istenen renkle eşleşen alanları vurgular.

Renk algılanıp izole edildikten sonra, robotik, tıbbi görüntüleme ve otonom araçlar gibi uygulamalarda nesne takibi, görüntü segmentasyonu ve otomatik karar verme gibi çeşitli bilgisayarlı görü görevlerinde kullanılabilir.

Bilgisayarlı görüde renk algılamanın rolü#

Artık renk algılamanın nasıl çalıştığını öğrendiğimize göre, bilgisayarlı görü uygulamalarını nasıl desteklediğini keşfedelim.

Belirli durumlarda renk tespiti, özellikle rengin nesneleri ayırt etmede ana faktör olduğu kontrollü ortamlarda, computer vision models için daha basit bir alternatif olabilir. Bir modeli devasa bir veri kümesiyle eğitmek yerine renk tespiti; kapsamlı etiketleme veya yüksek hesaplama gücüne ihtiyaç duymadan hızlı ve verimli bir çözüm sunar.

Örneğin, otomatik bir elma ayırma sisteminde, Ultralytics YOLO11 gibi bir bilgisayarlı görü modeli elmaların olgunluğunu sınıflandırmak üzere eğitilebilir; ancak aydınlatma, doku ve elma türlerindeki değişikliklerle başa çıkabilmek için etiketlenmiş görüntülerden oluşan bir veri setine ihtiyaç duyacaktır.

Daha anlaşılır bir yaklaşım, önce nesne tespiti kullanarak elmaları tespit etmek ve ardından olgunluğu belirlemek için renklerini analiz etmektir. Bu yöntem bir modeli training etmek yerine önceden tanımlanmış renk eşiklerine dayandığından, aydınlatmanın ve arka planların büyük ölçüde değişmediği kararlı koşullarda iyi çalışır.

Özel olarak eğitilmiş bir model daha karmaşık ve değişken ortamlar için daha iyi olabilirken, renk algılama gerçek zamanlı uygulamalar için hızlı, pratik ve erişilebilir bir çözümdür. Ayrıca, daha gelişmiş çözümlere geçmeden önce görüntü işleme ve bilgisayarlı görü hakkında bilgi edinenler için harika bir başlangıç noktasıdır.

Renk algılamanın gerçek dünya uygulamaları#

Renk algılama, çeşitli uygulamalar için çok çeşitli sektörlerde kullanılır. Bazı gerçek dünya kullanım durumlarına bir göz atalım.

Kumaş kalite değerlendirmesi için renk algılama#

Renk tespiti, kumaş ve textile production süreçlerinde çok önemlidir. Otomatik kalite kontrol ve kusur tanımlama sistemlerinde yaygın olarak kullanılır. Zaman alıcı ve insan hatasına açık olan manuel incelemenin aksine, otomasyon sistemleri doğru ve gerçek zamanlı kusur tespiti sağlar.

Özellikle, bilgisayarlı görü sistemleri kumaş görüntülerini analiz ederek düzensiz boya dağılımı, solma ve kirlenme gibi hataları tanımlayabilir. Gelişmiş renk algılama teknikleri, farklı partiler arasındaki renk tutarlılığını ölçerek daha hassas kalite kontrolünü mümkün kılar.

Şekil 5. Renk algılama, renkli kumaşların oluşturulmasında kilit rol oynar.

Tarımda renk algılama kullanımı#

Daha önce belirtildiği gibi, renk olgunluğun ana göstergesidir ve renk algılama teknolojisi tarımda mahsul sağlığını izlemek ve hasadı iyileştirmek için kullanılabilir.

Renk varyasyonlarını analiz ederek çiftçiler bitki sağlığını değerlendirebilir, hastalıkları tespit edebilir ve mahsullerin ne zaman hasada hazır olduğunu belirleyebilirler. Renk sensörleri ve bilgisayarlı görü ile donatılmış gelişmiş robotlar, yalnızca olgun mahsullerin toplanmasını sağlayarak süreci otomatikleştirmeye yardımcı olur. Bu sistemler, özellikle iş gücü sıkıntısı olan bölgelerde verimliliği ve üretkenliği artırabilir.

Fig 6. Farklı olgunluk seviyelerindeki mangolar: (a) çürük, (b) olgun ve (c) olgunlaşmamış.

Öne çıkanlar#

Renk algılama; tarım, imalat, sağlık ve otomasyon gibi alanlarda uygulamaları olan yenilikçi bir bilgisayarlı görü tekniğidir. Makinelerin nesne takibi, kalite kontrol ve karar verme için renkleri tanımasına ve yorumlamasına yardımcı olur.

Gelişmiş yapay zeka modelleri gelişmeye devam ederken, renk algılama özellikle kontrollü ortamlarda basit ve etkili bir çözüm olmaya devam ediyor. Teknoloji ilerledikçe, gerçek dünya uygulamalarını iyileştirmede kilit bir rol oynamaya devam edeceği kesindir.

community ve GitHub repository kaynaklarımızı keşfederek yapay zekanın derinliklerine in. AI in manufacturing ve computer vision in healthcare alanındaki yenilikler hakkında bilgi edin ve licensing options ile vizyoner yapay zekadan yararlanmaya nasıl başlayacağını keşfet.