机器视觉系统什么情况下需要对颜色进行检测？
尽管在过去的几年里机器视觉经历着一些革命性的变化，但是有一个领域仍然以相对较慢的速度在发展，这个领域就是彩色图像处理。在机器视觉里对彩色的采用一直都很慢的一个历史性原因就是用彩色解决一个机器视觉问题总是比等价的灰度图像方案需要更多的成本和处理能力。在最近几年里这种情况有所改观。机器视觉硬件成本和软件大大降低使得最近的公司在单色和彩色解决方案上持平。
任何一位机器视觉教授都会告诉你，应用总是指示着解决方案。换句话说，在你的应用的细节中就能找到问题－“我应该为这个应用使用彩色吗？”的答案。这是说你正在试图从你的spindle-banger-6000的彩色图像中检测划痕或外部不相关的杂质。一种假设是既然缺陷是在彩色的表面上，那么就要用彩色，是吗？好，让我们在得出结论之前更近的看看。在这个例子中，缺陷(划痕或水泡)破坏了表面的完整性，反过来说影响了光反射的道路。这样的话会怎样呢，当你采集均匀表面图像(例如，表面是完美的，而且没有任何不可辨认的纹理)时，图像中所有的像素大致上是一样的。但是，只要你采集一幅有划痕或水泡的图像，突然光源得到不同方向的发散。换句话说，划痕和水泡创立的区域像素或更亮或更暗，这意味着你不需要彩色。
说到这里你一定还在怀疑我仍然没有回答在机器视觉中我们何时使用彩色的问题。因此这里有一个简要的答案：在你需要评价彩色的存在和强度的时候使用彩色，这是分布均匀(it’s evenness of distribution)，或这是与一些已知参考的相似(记住：你可能也面临一些上面举出的需求的结合)。让我们看看真实的情况，这是希望你能够在下次面对决定是否要让彩色是否成为你应用一部分的时候有一些便利的洞察。
食品可能是任何人都能容易理解的应用领域，因为跟日常的消费者一样，我们通常判断我们购买食品的质量和保质期。对于水果来说，我们可通过颜色来确定成熟度和质量等级（没有人想买有污点的桔子，或一半黄的酸橙）。在谷类和豆类食品的情况下，颜色帮助质量分级，在产量的传送带上区分杂质。在肉类食品处理中，用颜色来检测脂肪、骨头和软骨的损坏和不同区域，用于自动切割。彩色机器视觉甚至还用于检测冰冻的匹萨。请想一想，用灰度图像，你可能只能知道成分的亮度是否正确（例如，如果把它们展开的话它们是否足够）。但是你在一些碎成分之间找到差异就有很大困难。举个例子，橙子，红色青椒和绿色青椒。在彩色图像中，它们就能很容易区分，单在灰度图中还不准确。
另一个用到彩色机器视觉的领域是自动化检测。对，汽车喷漆，实际上汽车制造商一直使用自动喷漆系统而没有采用自动视觉检测，长期以来他们没有选择。但是，到今天检测精细的视觉细节是很多努力的结果，弥补了人机交互。举个例子，为了确保仪器灯面板上的一致性和存在。这是很重要的，因为仪器和仪表板的外观和整体质量一直都在影响着驾驶员对汽车质量的印象好坏。
显然地，有许多需要彩色的其它应用，比如印刷检测（质量/注册）,医药检测(标签识别)，零件是否存在和检测，PCB装配（零件存在，识别和定位）。除此之外，还有一些质量和分级应用涉及彩色和纹理分类，这类对象像木材、纺织品和陶瓷品。到目前为止，应该清晰看到在一些机器视觉应用中使用彩色是无障碍的。但是，当你面对一个应用时仍然需要带着疑问，问问自己以下几个问题：
☆ 在产品的整体质量上物体的颜色质量和一致性是否是一个关键因素？
☆ 物体的彩色能否帮助你确定产品的相对质量？
☆ 使用彩色能对物体检测提供便利吗？
如果对这些问题的回答都是肯定的，那么你就应该认真看看机器视觉的彩色应用。
