28 febbraio 2025
Scoprite come il rilevamento del colore sia un ponte tra la visione umana e quella computerizzata, utilizzando gli spazi colore RGB e HSV per automatizzare le soluzioni di visione computerizzata.
I colori svolgono un ruolo fondamentale nel modo in cui gli esseri umani percepiscono il mondo, aiutandoci a riconoscere, capire e connetterci con ciò che ci circonda. Tuttavia, a differenza nostra, le macchine non vedono i colori, ma li elaborano come dati, traducendo sfumature e tonalità in valori numerici.
Un'auto a guida autonoma non si limita a vedere un semaforo rosso, ma elabora il colore come un segnale di arresto. Questa capacità di riconoscere e interpretare i colori contribuisce a colmare il divario tra la visione umana e la visione computerizzata.
La computer vision è una branca dell'intelligenza artificiale che consente alle macchine di analizzare e comprendere i dati visivi. Un aspetto fondamentale è il rilevamento del colore, che consente alle macchine di identificare e differenziare gli oggetti in base al colore. Analizzando i valori dei pixel in diversi spazi di colore, il rilevamento del colore può essere utilizzato in applicazioni come il tracciamento degli oggetti, l'imaging medico e l'automazione.
In questo articolo vedremo 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 l'accuratezza e le applicazioni reali. Prima di addentrarci nel funzionamento del rilevamento dei colori, è utile capire come i colori vengono rappresentati digitalmente.
Le immagini digitali sono costituite da piccoli quadrati chiamati pixel, ognuno dei quali contiene informazioni sul colore. Ad esempio, per quanto riguarda il modello di colore RGB (Red, Green, Blue), 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 piena intensità. Ad esempio, il rosso puro è (255, 0, 0) perché ha il massimo valore di rosso e non ha verde o blu. Il bianco è (255, 255, 255) perché tutti e tre i colori sono alla massima intensità.
Se si ha familiarità con modelli di visione artificiale come Ultralytics YOLO11, ci si potrebbe chiedere perché il rilevamento del colore sia una tecnica separata dal rilevamento degli oggetti. Sebbene entrambe analizzino le immagini, hanno 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 delle auto a guida autonoma, il rilevamento del colore individua il rosso di un semaforo, mentre il rilevamento dell'oggetto identifica il semaforo stesso, aiutando l'auto a prendere decisioni di guida sicure.
Un modello di colore o spazio di 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 di colore forniscono un modo strutturato per memorizzare, regolare e visualizzare i colori nei sistemi digitali.
Alcuni spazi colore comunemente utilizzati sono RGB per i display digitali, HSV (Hue, Saturation, Value) per l'elaborazione delle immagini e CMYK (Cyan, Magenta, Yellow, Black) per la stampa. RGB e HSV sono gli spazi colore più utilizzati per rilevare i colori. Vediamo come funzionano.
Lo spazio colore RGB è ampiamente utilizzato nell'imaging digitale, 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 al massimo dell'intensità, il risultato è il bianco, mentre quando non sono presenti appare il nero.
Questo spazio cromatico viene spesso visualizzato come un cubo di colore, 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 sfumature possibili.
Pur essendo semplice e popolare, l'RGB presenta alcune limitazioni. I colori non appaiono sempre uguali all'occhio umano perché l'RGB non corrisponde uniformemente al modo in cui percepiamo le differenze di colore. Inoltre, è influenzato dalle condizioni di illuminazione, per cui i colori possono apparire diversi a seconda della luminosità e dell'ambiente.
Lo spazio di colore HSV (Hue, Saturation, Value) rappresenta i colori in base a tre componenti: la tinta (il tipo di colore), la saturazione (la sua intensità) e il valore (la sua luminosità). A differenza dell'RGB, che mescola le intensità della luce, l'HSV è più vicino al modo in cui gli esseri umani percepiscono i colori, il che lo rende una scelta più pratica per molte attività di elaborazione delle immagini.
In particolare, la tonalità rappresenta il colore effettivo e si misura in gradi su una ruota dei colori, con il rosso a 0° e il blu a 240°. La saturazione, invece, controlla la vivacità o l'opacità di un colore, dove lo 0% è completamente grigio e il 100% è completamente vivace. D'altra parte, il valore determina la luminosità, che va dallo 0% (nero) al 100% (piena luminosità).
È interessante notare che lo spazio di colore HSV viene spesso visualizzato come un cono, dove la tinta si avvolge intorno al bordo, la saturazione si sposta verso l'esterno e la luminosità aumenta dal basso verso l'alto. Poiché separa il colore dalla luminosità, lo spazio HSV è ampiamente utilizzato nelle applicazioni di computer vision.
Per confrontare RGB e HSV, prendiamo come esempio il colore arancione. Nello spazio colore RGB, l'arancione viene creato mescolando il rosso e il verde a intensità specifiche, tipicamente rappresentate come (255, 165, 0) - il che significa tutto rosso, 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 manipolazione precisa 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 il suo valore è anch'esso del 100%, il che indica la piena 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 dei colori 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 mediante l'elaborazione delle immagini si basano su spazi di colore e tecniche di soglia per differenziare tinte, sfumature e intensità specifiche.
Ecco una rapida panoramica delle fasi principali del rilevamento del colore mediante l'elaborazione delle immagini:
Una volta che il colore è stato rilevato e isolato, può essere utilizzato in varie attività di visione computerizzata, come il tracciamento degli oggetti, la segmentazione delle immagini e il processo decisionale automatizzato in applicazioni come la robotica, l'imaging medico e i veicoli autonomi.
Ora che abbiamo imparato come funziona il rilevamento del colore, analizziamo come supporta le applicazioni di visione artificiale.
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 enorme set di dati, il rilevamento del colore offre una soluzione rapida ed efficiente senza la necessità di un'etichettatura estesa o di un'elevata potenza di calcolo.
Ad esempio, in un sistema di selezione automatica 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 set di immagini etichettate per gestire le variazioni di illuminazione, consistenza e tipi di mele.
Un approccio più semplice consiste nel rilevare prima le mele utilizzando il rilevamento degli oggetti e poi analizzarne il colore per determinare 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.
Mentre un modello addestrato su misura può essere migliore per ambienti più complessi e variabili, il rilevamento del colore è una soluzione veloce, pratica e accessibile per le applicazioni in tempo reale. È anche un ottimo punto di partenza per chi sta imparando a conoscere l'elaborazione delle immagini e la computer vision prima di passare a soluzioni più avanzate.
Il rilevamento del colore viene utilizzato in un'ampia gamma di settori per varie applicazioni. Diamo un'occhiata ad alcuni casi d'uso reali.
Il rilevamento del colore è fondamentale nella produzione di tessuti e stoffe. È comunemente utilizzato nei sistemi automatizzati di controllo della qualità e di identificazione dei difetti. A differenza dell'ispezione manuale, che richiede molto tempo ed è soggetta a errori umani, i sistemi automatizzati forniscono un rilevamento accurato e in tempo reale dei difetti.
In particolare, analizzando le immagini dei tessuti, i sistemi di visione computerizzata sono in grado di identificare difetti come la distribuzione non uniforme della tintura, lo sbiadimento e la contaminazione. Le tecniche avanzate di rilevamento del colore rendono possibile un controllo di qualità più preciso, misurando la coerenza del colore tra i 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 il raccolto.
Analizzando le variazioni di colore, gli agricoltori possono valutare lo stato di salute delle piante, individuare le malattie e determinare quando le colture sono pronte per il raccolto. I robot avanzati dotati di sensori di colore e di visione computerizzata 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 visione computerizzata che trova applicazione 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 avanzati di intelligenza artificiale continuano ad evolversi, il rilevamento del colore rimane una soluzione semplice ed efficace, soprattutto in ambienti controllati. Con il progredire della tecnologia, probabilmente continuerà a svolgere un ruolo chiave nel miglioramento delle applicazioni reali.
Approfondite il tema dell'IA esplorando la nostra comunità e il repository GitHub. Scoprite le innovazioni dell'IA nel settore manifatturiero e della computer vision nel settore sanitario e scoprite come iniziare a sfruttare Vision AI con le nostre opzioni di licenza.
.webp)
