Tirer parti de la détection des couleurs dans les applications de vision par ordinateur

Les couleurs jouent un rôle essentiel dans la façon dont les humains perçoivent le monde, en nous aidant à reconnaître, à comprendre et à nous connecter à notre environnement. Cependant, contrairement à nous, les machines ne voient pas les couleurs - elles les traitent comme des données, traduisant les nuances et les teintes en valeurs numériques.

Une voiture auto-conduite ne se contente pas de voir un feu rouge - elle traite la couleur comme un signal d'arrêt. Cette capacité à reconnaître et à interpréter les couleurs permet de combler le fossé entre la vision humaine et la vision informatique.

La vision par ordinateur est une branche de l'IA qui permet aux machines d'analyser et de comprendre les données visuelles. L'un des aspects clés est la détection des couleurs, qui permet aux machines d'identifier et de différencier les objets en fonction de la couleur. En analysant les valeurs des pixels dans différents espaces colorimétriques, la détection des couleurs peut être utilisée dans des applications telles que le suivi d'objets, l'imagerie médicale et l'automatisation.

Dans cet article, nous allons examiner de plus près comment fonctionne la détection des couleurs, pourquoi elle est importante et comment elle est utilisée dans les applications de vision par ordinateur. Commençons par le début !

Qu'est-ce que la détection des couleurs ?

La détection des couleurs aide les machines à identifier les objets et à comprendre les scènes en fonction de la couleur. Lorsqu'elle est combinée à d'autres tâches de vision par ordinateur, elle améliore la précision et les applications dans le monde réel. Avant de plonger dans le fonctionnement de la détection des couleurs, il est utile de comprendre comment les couleurs sont représentées numériquement.

Les images numériques sont composées de minuscules carrés appelés pixels, chacun contenant des informations sur les couleurs. Par exemple, en ce qui concerne le modèle de couleurs RVB (rouge, vert, bleu), les couleurs sont créées en mélangeant différentes intensités de rouge, de vert et de bleu. 

Chaque couleur est définie par trois valeurs, allant de 0 à 255, où 0 signifie qu'il n'y a pas de couleur et 255 signifie une intensité totale. Par exemple, le rouge pur est (255, 0, 0) parce qu'il a la valeur rouge la plus élevée et qu'il n'y a ni vert ni bleu. Le blanc est (255, 255, 255) parce que les trois couleurs sont à leur intensité maximale.

‍

Si tu connais les modèles de vision par ordinateur comme Ultralytics YOLO11tu te demandes peut-être pourquoi la détection des couleurs est une technique distincte de la détection des objets. Bien que les deux analysent les images, elles ont des objectifs différents.

La détection des couleurs se concentre sur l'identification de couleurs spécifiques dans une image, tandis que la détection des objets reconnaît et classe les objets indépendamment de leur couleur. Dans le scénario de la voiture auto-conduite, la détection de couleur détecte le rouge d'un feu de circulation, tandis que la détection d'objet identifie le feu de circulation lui-même, ce qui aide la voiture à prendre des décisions de conduite sûres.

Introduction aux espaces colorimétriques

Un modèle de couleur ou espace colorimétrique est un système utilisé pour représenter les couleurs dans les images numériques et constitue un élément essentiel de la détection des couleurs. Il attribue des valeurs numériques aux couleurs, ce qui permet aux ordinateurs de les interpréter de manière cohérente sur différents appareils. Les espaces colorimétriques fournissent un moyen structuré de stocker, d'ajuster et d'afficher les couleurs dans les systèmes numériques.

Parmi les espaces colorimétriques couramment utilisés, on trouve RVB pour les écrans numériques, HSV (teinte, saturation, valeur) pour le traitement des images et CMYK (cyan, magenta, jaune, noir) pour l'impression. RVB et HSV sont les espaces colorimétriques les plus fréquemment utilisés pour détecter les couleurs. Voyons maintenant comment ils fonctionnent.

Un aperçu de l'espace colorimétrique RVB

L'espace colorimétrique RVB est largement utilisé dans l'imagerie numérique, que l'on retrouve dans les écrans, les appareils photo et les dispositifs d'affichage. Il fonctionne en combinant différents niveaux de lumière rouge, verte et bleue pour créer diverses couleurs. Lorsque les trois couleurs sont à pleine intensité, le résultat est blanc, et lorsqu'aucune n'est présente, il apparaît noir.

Cet espace colorimétrique est souvent visualisé sous la forme d'un cube de couleur, où chaque axe représente l'une des couleurs primaires. Les coins du cube montrent le rouge, le vert et le bleu purs, ainsi que leurs combinaisons, tandis que l'intérieur contient toutes les nuances possibles.

Bien que le RVB soit simple et populaire, il présente certaines limites. Les couleurs ne sont pas toujours identiques pour l'œil humain parce que le RVB ne correspond pas uniformément à la façon dont nous percevons les différences de couleur. Il est également affecté par les conditions d'éclairage, ce qui signifie que les couleurs peuvent apparaître différentes en fonction de la luminosité et de l'environnement.

‍

Un aperçu de l'espace colorimétrique HSV

L'espace colorimétrique HSV (Hue, Saturation, Value) représente les couleurs en fonction de trois composantes : la teinte (le type de couleur), la saturation (son intensité) et la valeur (sa luminosité). Contrairement au RVB, qui mélange les intensités lumineuses, le HSV est plus proche de la façon dont les humains perçoivent les couleurs, ce qui en fait un choix plus pratique pour de nombreuses tâches de traitement d'images.

En particulier, la teinte représente la couleur réelle et est mesurée en degrés sur une roue chromatique, le rouge se situant à 0° et le bleu à 240°. Pendant ce temps, la saturation contrôle l'aspect vif ou terne d'une couleur, où 0 % est complètement gris et 100 % est totalement vibrant. D'autre part, la valeur détermine la luminosité, allant de 0 % (noir) à 100 % (pleine luminosité).

Il est intéressant de noter que l'espace colorimétrique HSV est souvent représenté sous la forme d'un cône, où la teinte s'enroule autour du bord, la saturation se déplace vers l'extérieur et la luminosité augmente de bas en haut. Parce qu'il sépare la couleur de la luminosité, l'espace HSV est largement utilisé dans les applications de vision par ordinateur.

‍

Comparaison des espaces colorimétriques RVB et HSV

Pour comparer RVB et HSV côte à côte, prenons la couleur orange comme exemple. Dans l'espace colorimétrique RVB, l'orange est créé en mélangeant le rouge et le vert à des intensités spécifiques, généralement représentées par (255, 165, 0) - ce qui signifie un rouge complet, un peu de vert et pas de bleu. Cependant, comme le RVB ne sépare pas la couleur de la luminosité, il peut être moins intuitif pour les tâches qui nécessitent une manipulation précise des couleurs.

En HSV, l'orange est défini différemment. Sa teinte est d'environ 30°, ce qui détermine sa position sur la roue des couleurs. Sa saturation est proche de 100 %, ce qui signifie que c'est une couleur vive et pure, et sa valeur est également de 100 %, ce qui indique une luminosité totale. Comme le HSV sépare la couleur de la luminosité, il est souvent plus utile dans les applications de détection des couleurs où les conditions d'éclairage peuvent changer.

‍

Comment fonctionne la détection des couleurs

Généralement, la détection des couleurs est abordée comme une technique de traitement d'image utilisée pour identifier et isoler les couleurs des images ou des vidéos. Les couleurs détectées dans les images à l'aide du traitement d'image s'appuient sur des espaces colorimétriques et des techniques de seuillage pour différencier des teintes, des nuances et des intensités spécifiques. 

Voici un aperçu rapide des principales étapes de la détection des couleurs à l'aide du traitement d'image :

• Acquisition d'images : Le processus commence par la capture d'une image ou d'une trame vidéo à l'aide d'un appareil photo. L'image est généralement stockée au format RVB sous la forme d'une matrice de pixels.
  ‍
• Conversion de l'espace colorimétrique : Comme le RVB n'est pas toujours idéal pour la détection des couleurs, l'image est convertie dans l'espace colorimétrique HSV. Cela permet de séparer la couleur de la luminosité, ce qui rend la détection plus stable dans différentes conditions d'éclairage.
  ‍
• Seuil de couleur : Une plage spécifique est définie pour la couleur cible au format HSV. Cette étape crée un masque binaire, dans lequel les pixels situés dans la plage de couleurs sélectionnée apparaissent en blanc, et tous les autres en noir.
  ‍
• Masquage : Le masque binaire est appliqué à l'image originale pour isoler la couleur détectée, en filtrant tout le reste. Cela permet de mettre en évidence uniquement les zones qui correspondent à la couleur souhaitée.

Une fois la couleur détectée et isolée, elle peut être utilisée dans diverses tâches de vision par ordinateur, telles que le suivi d'objets, la segmentation d'images et la prise de décision automatisée dans des applications telles que la robotique, l'imagerie médicale et les véhicules autonomes.

Le rôle de la détection des couleurs dans la vision par ordinateur

Maintenant que nous avons appris comment fonctionne la détection des couleurs, explorons la façon dont elle prend en charge les applications de vision par ordinateur. 

Dans certains cas, la détection des couleurs peut constituer une alternative plus simple aux modèles de vision par ordinateur, notamment dans les environnements contrôlés où la couleur est le principal facteur de distinction des objets. Au lieu d'entraîner un modèle avec un ensemble massif de données, la détection des couleurs offre une solution rapide et efficace sans qu'il soit nécessaire de procéder à un étiquetage approfondi ou de disposer d'une puissance de calcul élevée.

Par exemple, dans un système automatisé de tri des pommes, un modèle de vision artificielle comme YOLO11 pourrait être entraîné à classer les pommes en fonction de leur maturité, mais il aurait besoin d'un ensemble de données d'images étiquetées pour gérer les variations d'éclairage, de texture et de types de pommes. 

Une approche plus directe consiste à détecter d'abord les pommes à l'aide de la détection d'objets, puis à analyser leur couleur pour déterminer leur maturité. Comme cette méthode repose sur des seuils de couleur prédéfinis au lieu d'entraîner un modèle, elle fonctionne bien dans des conditions stables où l'éclairage et les arrière-plans ne changent pas radicalement.

Bien qu'un modèle formé sur mesure puisse être meilleur pour des environnements plus complexes et variables, la détection des couleurs est une solution rapide, pratique et accessible pour les applications en temps réel. C'est aussi un excellent point de départ pour ceux qui s'initient au traitement des images et à la vision par ordinateur avant de passer à des solutions plus avancées.

Applications de la détection des couleurs dans le monde réel

La détection des couleurs est utilisée dans un grand nombre d'industries pour diverses applications. Jetons un coup d'œil à quelques cas d'utilisation réels.

Détection des couleurs pour l'évaluation de la qualité des tissus

La détection des couleurs est cruciale dans la production de tissus et de textiles. Elle est couramment utilisée dans les systèmes automatisés de contrôle de la qualité et d'identification des défauts. Contrairement à l'inspection manuelle, qui prend du temps et est sujette à l'erreur humaine, les systèmes automatisés permettent une détection précise et en temps réel des défauts. 

Plus précisément, en analysant les images du tissu, les systèmes de vision par ordinateur peuvent identifier des défauts tels qu'une distribution inégale de la teinture, la décoloration et la contamination. Les techniques avancées de détection des couleurs permettent un contrôle de qualité plus précis en mesurant la cohérence des couleurs dans différents lots.

‍

Utiliser la détection des couleurs dans l'agriculture

Comme nous l'avons déjà mentionné, la couleur est un indicateur clé de la maturité, et la technologie de détection des couleurs peut être utilisée dans l'agriculture pour surveiller la santé des cultures et améliorer la récolte. 

En analysant les variations de couleur, les agriculteurs peuvent évaluer la santé des plantes, détecter les maladies et déterminer quand les cultures sont prêtes à être récoltées. Les robots avancés équipés de capteurs de couleur et de vision par ordinateur permettent d'automatiser le processus en s'assurant que seules les cultures mûres sont cueillies. Ces systèmes peuvent accroître l'efficacité et la productivité, en particulier dans les régions où il y a pénurie de main-d'œuvre.

‍

Principaux enseignements

La détection des couleurs est une technique innovante de vision par ordinateur qui trouve des applications dans l'agriculture, la fabrication, les soins de santé et l'automatisation. Elle aide les machines à reconnaître et à interpréter les couleurs pour le suivi des objets, le contrôle de la qualité et la prise de décision. 

Alors que les modèles d'IA avancés continuent d'évoluer, la détection des couleurs reste une solution simple et efficace, en particulier dans les environnements contrôlés. À mesure que la technologie progresse, elle continuera probablement à jouer un rôle clé dans l'amélioration des applications du monde réel.

Plonge plus profondément dans l'IA en explorant notre communauté et notre dépôt GitHub. Renseigne-toi sur les innovations en matière d'IA dans la fabrication et de vision par ordinateur dans les soins de santé, et découvre comment commencer à tirer parti de Vision AI grâce à nos options de licence.