اكتشف كيف يربط اكتشاف الألوان بين الرؤية البشرية والكمبيوتر، باستخدام مساحات ألوان RGB وHSV لأتمتة حلول الرؤية الحاسوبية.
تلعب الألوان دورًا حيويًا في كيفية تجربة البشر للعالم، مما يساعدنا على التعرف على ما يحيط بنا وفهمه والتواصل معه. ولكن، على عكسنا، لا ترى الآلات الألوان - فهي تعالجها كبيانات، وتترجم الظلال والألوان إلى قيم رقمية.
لا تكتفي السيارة ذاتية القيادة برؤية إشارة المرور الحمراء، بل تعالج اللون كإشارة للتوقف. تساعد هذه القدرة على التعرف على الألوان وتفسيرها على سد الفجوة بين الرؤية البشرية ورؤية الكمبيوتر.
الرؤية الحاسوبية هي فرع من فروع الذكاء الاصطناعي يمكّن الآلات من تحليل البيانات المرئية وفهمها. أحد الجوانب الرئيسية لهذا هو اكتشاف الألوان، والذي يسمح للآلات بتحديد وتمييز الأشياء بناءً على اللون. من خلال تحليل قيم البكسل في مساحات لونية مختلفة، يمكن استخدام اكتشاف الألوان في تطبيقات مثل تتبع الأجسام والتصوير الطبي والأتمتة.
في هذه المقالة، سنلقي نظرة فاحصة على كيفية عمل اكتشاف الألوان، وسبب أهميته، وكيفية استخدامه في تطبيقات الرؤية الحاسوبية. لنبدأ!
يساعد اكتشاف الألوان الآلات على تحديد الأجسام وفهم المشاهد بناءً على اللون. عند دمجه مع مهام الرؤية الحاسوبية الأخرى، فإنه يحسّن الدقة ويعزز التطبيقات في العالم الحقيقي. قبل الغوص في كيفية عمل اكتشاف الألوان، من المفيد فهم كيفية تمثيل الألوان رقميًا.
تتكون الصور الرقمية من مربعات صغيرة تسمى بكسلات، كل منها يحتوي على معلومات لونية. على سبيل المثال، فيما يتعلق بنموذج ألوان RGB (الأحمر والأخضر والأزرق)، يتم إنشاء الألوان عن طريق مزج كثافات مختلفة من الأحمر والأخضر والأزرق.
يُعرَّف كل لون بثلاث قيم، تتراوح من 0 إلى 255، حيث 0 يعني عدم وجود لون و255 يعني الكثافة الكاملة. على سبيل المثال، اللون الأحمر النقي هو (255، 0، 0) لأنه يحتوي على أعلى قيمة حمراء ولا يوجد أخضر أو أزرق. الأبيض يساوي (255، 255، 255) لأن الألوان الثلاثة كلها بكثافة كاملة.
إذا كنت على دراية بنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11فقد تتساءل لماذا يُعد اكتشاف الألوان تقنية منفصلة عن اكتشاف الأجسام. في حين أن كلاهما يحللان الصور، إلا أنهما يخدمان أغراضًا مختلفة.
يركز اكتشاف الألوان على تحديد ألوان معينة في الصورة، بينما يتعرف اكتشاف الأجسام على الأجسام ويصنفها بغض النظر عن لونها. في سيناريو السيارة ذاتية القيادة، يكتشف اكتشاف الألوان اللون الأحمر في إشارة المرور، بينما يحدد اكتشاف الأجسام إشارة المرور نفسها، مما يساعد السيارة على اتخاذ قرارات القيادة الآمنة.
نموذج الألوان أو الفضاء اللوني هو نظام يُستخدم لتمثيل الألوان في الصور الرقمية وهو جزء مهم من عملية اكتشاف الألوان. يقوم بتعيين قيم رقمية للألوان، مما يسمح لأجهزة الكمبيوتر بتفسيرها بشكل متسق عبر الأجهزة المختلفة. توفر مساحات الألوان طريقة منظمة لتخزين الألوان وضبطها وعرضها في الأنظمة الرقمية.
تتضمن بعض مسافات الألوان الشائعة الاستخدام RGB للعرض الرقمي، و HSV (تدرج اللون والتشبع والقيمة) لمعالجة الصور، و CMYK (سماوي وأرجواني وأصفر وأسود) للطباعة. RGB و HSV هما أكثر مسافات الألوان استخدامًا لاكتشاف الألوان. دعنا نتعمق في كيفية عملهما.
تُستخدم مساحة ألوان RGB على نطاق واسع في التصوير الرقمي، وتوجد في الشاشات والكاميرات وأجهزة العرض. وهو يعمل من خلال الجمع بين مستويات مختلفة من الضوء الأحمر والأخضر والأزرق لإنشاء ألوان مختلفة. عندما تكون الألوان الثلاثة بكثافة كاملة، تكون النتيجة بيضاء، وعندما لا تكون أي منها موجودة، تظهر باللون الأسود.
غالبًا ما يتم تصور مساحة الألوان هذه على شكل مكعب ألوان، حيث يمثل كل محور أحد الألوان الأساسية. تُظهر زوايا المكعب اللون الأحمر والأخضر والأزرق النقي، إلى جانب مجموعاتها، بينما يحتوي الجزء الداخلي على جميع التدرجات اللونية الممكنة.
في حين أن RGB بسيط وشائع، إلا أن له بعض القيود. قد لا تبدو الألوان متشابهة دائمًا للعين البشرية لأن RGB لا يتطابق بشكل متساوٍ مع كيفية إدراكنا لاختلافات الألوان. كما أنها تتأثر أيضًا بظروف الإضاءة، مما يعني أن الألوان قد تظهر مختلفة حسب السطوع والبيئة.
يمثل فضاء الألوان HSV (التدرج والتشبع والقيمة) الألوان بناءً على ثلاثة مكونات: التدرج (نوع اللون) والتشبع (شدته) والقيمة (سطوعه). على عكس RGB، الذي يمزج بين شدة الضوء، فإن HSV أقرب إلى كيفية إدراك البشر للألوان، مما يجعله خيارًا عمليًا أكثر للعديد من مهام معالجة الصور.
على وجه الخصوص، يمثل التدرج اللوني اللون الفعلي ويتم قياسه بالدرجات على عجلة الألوان، حيث يكون اللون الأحمر عند 0 درجة والأزرق عند 240 درجة. وفي الوقت نفسه، يتحكم التشبّع في مدى حيوية اللون أو بهتانه، حيث تكون نسبة 0% رمادية تمامًا و100% نابضة بالحياة تمامًا. من ناحية أخرى، تحدد القيمة السطوع، حيث تتراوح من 0% (أسود) إلى 100% (سطوع كامل).
ومن المثير للاهتمام أن مساحة ألوان HSV غالبًا ما يتم تصورها على شكل مخروط، حيث يلتف التدرج اللوني حول الحافة، ويتحرك التشبع إلى الخارج، ويزداد السطوع من الأسفل إلى الأعلى. ولأنه يفصل اللون عن السطوع، يستخدم HSV على نطاق واسع في تطبيقات رؤية الكمبيوتر.
لمقارنة RGB و HSV جنبًا إلى جنب، لنأخذ اللون البرتقالي كمثال. في مساحة اللون RGB، يتم إنشاء اللون البرتقالي عن طريق مزج اللونين الأحمر والأخضر بكثافة محددة، وعادةً ما يتم تمثيلها على شكل (255، 165، 0) - مما يعني أحمر كامل وبعض الأخضر وبدون أزرق. ومع ذلك، نظرًا لأن RGB لا يفصل اللون عن السطوع، فقد يكون أقل سهولة في المهام التي تتطلب معالجة دقيقة للألوان.
في HSV، يتم تعريف اللون البرتقالي بشكل مختلف. يبلغ تدرجه حوالي 30 درجة، وهو ما يحدد موقعه على عجلة الألوان. يكون تشبعه قريبًا من 100%، مما يعني أنه لون نقي وحيوي، وقيمته أيضًا 100%، مما يشير إلى السطوع الكامل. نظرًا لأن HSV يفصل اللون عن السطوع، فإنه غالبًا ما يكون أكثر فائدة في تطبيقات اكتشاف الألوان حيث قد تتغير ظروف الإضاءة.
عادةً ما يتم التعامل مع اكتشاف الألوان كتقنية لمعالجة الصور تُستخدم لتحديد الألوان وعزلها من الصور أو مقاطع الفيديو. تعتمد الألوان التي يتم اكتشافها في الصور باستخدام معالجة الصور على مساحات لونية وتقنيات تحديد العتبة للتمييز بين درجات وظلال وشدة ألوان محددة.
إليك نظرة عامة سريعة على الخطوات الرئيسية المتبعة في اكتشاف الألوان باستخدام معالجة الصور:
بمجرد اكتشاف اللون وعزله، يمكن استخدامه في العديد من مهام الرؤية الحاسوبية، مثل تتبع الأجسام وتجزئة الصور واتخاذ القرارات الآلية في تطبيقات مثل الروبوتات والتصوير الطبي والمركبات ذاتية القيادة.
والآن بعد أن تعلمنا كيف يعمل اكتشاف الألوان، دعنا نستكشف كيف يدعم تطبيقات الرؤية الحاسوبية.
في بعض الحالات، يمكن أن يكون اكتشاف الألوان بديلاً أبسط لنماذج الرؤية الحاسوبية، خاصةً في البيئات الخاضعة للرقابة حيث يكون اللون هو العامل الرئيسي في تمييز الأشياء. بدلاً من تدريب نموذج باستخدام مجموعة بيانات ضخمة، يوفر اكتشاف الألوان حلاً سريعًا وفعالًا دون الحاجة إلى وضع علامات واسعة النطاق أو طاقة حاسوبية عالية.
على سبيل المثال، في نظام الفرز الآلي للتفاح، يمكن تدريب نموذج رؤية حاسوبية مثل YOLO11 على تصنيف التفاح حسب النضج، ولكنه سيتطلب مجموعة بيانات من الصور المصنفة للتعامل مع الاختلافات في الإضاءة والملمس وأنواع التفاح.
هناك طريقة أكثر وضوحًا تتمثل في اكتشاف التفاح أولاً باستخدام اكتشاف الأجسام ثم تحليل لونه لتحديد مدى نضجه. نظرًا لأن هذه الطريقة تعتمد على عتبات لونية محددة مسبقًا بدلاً من تدريب نموذج، فإنها تعمل بشكل جيد في الظروف المستقرة حيث لا تتغير الإضاءة والخلفيات بشكل كبير.
في حين أن النموذج المدرّب حسب الطلب قد يكون أفضل للبيئات الأكثر تعقيدًا وتغيرًا، فإن اكتشاف الألوان هو حل سريع وعملي ويمكن الوصول إليه للتطبيقات في الوقت الفعلي. إنه أيضًا نقطة انطلاق رائعة لأولئك الذين يتعلمون عن معالجة الصور والرؤية الحاسوبية قبل الانتقال إلى حلول أكثر تقدمًا.
يُستخدم اكتشاف الألوان في مجموعة واسعة من الصناعات لتطبيقات مختلفة. دعنا نلقي نظرة على بعض حالات الاستخدام الواقعية.
يُعد اكتشاف الألوان أمرًا بالغ الأهمية في إنتاج الأقمشة والمنسوجات. ويُستخدم عادةً في أنظمة مراقبة الجودة الآلية وأنظمة تحديد العيوب. وعلى عكس الفحص اليدوي، الذي يستغرق وقتًا طويلاً وعرضة للخطأ البشري، توفر الأنظمة الآلية كشفًا دقيقًا وفوريًا للعيوب.
وعلى وجه التحديد، من خلال تحليل صور الأقمشة، يمكن لأنظمة الرؤية الحاسوبية تحديد العيوب مثل التوزيع غير المتساوي للصبغة والبهتان والتلوث. تتيح التقنيات المتقدمة للكشف عن الألوان إمكانية مراقبة الجودة بشكل أكثر دقة من خلال قياس تناسق الألوان عبر دفعات مختلفة.
كما ذكرنا سابقًا، يعد اللون مؤشرًا رئيسيًا على النضج، ويمكن استخدام تقنية الكشف عن الألوان في الزراعة لمراقبة صحة المحاصيل وتحسين الحصاد.
من خلال تحليل اختلافات الألوان، يمكن للمزارعين تقييم صحة النباتات واكتشاف الأمراض وتحديد متى تكون المحاصيل جاهزة للحصاد. تساعد الروبوتات المتقدمة المزودة بأجهزة استشعار الألوان والرؤية الحاسوبية في أتمتة العملية من خلال ضمان قطف المحاصيل الناضجة فقط. يمكن لهذه الأنظمة أن تزيد من الكفاءة والإنتاجية، خاصة في المناطق التي تعاني من نقص في العمالة.
اكتشاف الألوان هو تقنية مبتكرة للرؤية الحاسوبية لها تطبيقات في الزراعة والتصنيع والرعاية الصحية والأتمتة. وهي تساعد الآلات على التعرف على الألوان وتفسيرها لتتبع الأجسام ومراقبة الجودة واتخاذ القرارات.
بينما تستمر نماذج الذكاء الاصطناعي المتقدمة في التطور، يظل اكتشاف الألوان حلاً بسيطاً وفعالاً، خاصةً في البيئات الخاضعة للرقابة. مع تقدم التكنولوجيا، من المرجح أن تستمر في لعب دور رئيسي في تحسين التطبيقات في العالم الحقيقي.
تعمّق أكثر في الذكاء الاصطناعي من خلال استكشاف مجتمعنا ومستودع GitHub. تعرّف على الابتكارات في مجال الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في مجال الرعاية الصحية، واكتشف كيفية البدء في الاستفادة من الذكاء الاصطناعي البصري من خلال خيارات الترخيص لدينا.
