4、颜色识别核心概念：理解RGB、LAB颜色空间，掌握LAB阈值设定方法及颜色识别的基本原理

在OpenMV工业检测原型中，颜色识别是最基础也最关键的感知能力。无论是检测产品表面的缺陷色斑、区分不同颜色的物料，还是定位特定颜色的目标区域，其底层逻辑都依赖于对颜色空间的数学建模与阈值判断。本章将深入剖析RGB与LAB两种颜色空间的本质差异，重点讲解LAB阈值设定的工程方法，并揭示颜色识别从像素到结论的完整推理链路。理解这些核心概念，是后续实现缺陷检测与位置识别的前提。

上图展示了颜色识别从原始图像到最终输出的完整链路。工业现场的光照变化、物体表面反光、镜头色差等因素都会影响颜色感知，因此单纯依赖RGB值进行判断往往不可靠。LAB颜色空间通过将亮度（L）与色度（A、B）分离，为阈值设定提供了更稳定的数学基础。下面我们将从颜色空间的本质差异开始，逐步拆解LAB阈值设定的工程方法论。

4.1 核心原理：RGB与LAB颜色空间的本质差异

RGB（红绿蓝）颜色空间是最常见的图像存储格式，它基于加色法原理，通过三个通道的强度组合来还原颜色。在OpenMV的感光元件中，每个像素的RGB值通常以8位整数存储，范围从0到255。RGB空间直观且易于硬件实现，但它存在一个致命弱点：三个通道高度相关，且对光照变化极其敏感。例如，同一块红色塑料在强光下R值可能从200升至240，同时G和B值也会发生非线性漂移，导致颜色判断失准。

LAB颜色空间（CIELAB）则是一种感知均匀的颜色模型。L通道表示亮度（0为纯黑，100为纯白），A通道表示从绿色（负值）到红色（正值）的色度偏移，B通道表示从蓝色（负值）到黄色（正值）的色度偏移。LAB的核心优势在于：亮度与色度完全分离。这意味着当光照强度变化时，主要影响L通道，而A和B通道的变化相对较小。对于工业检测而言，这允许我们通过设定A和B的阈值范围来锁定目标颜色，同时适当放宽L的阈值以容忍光照波动。

从数学角度看，RGB到LAB的转换是非线性的，涉及gamma校正和XYZ中间空间的过渡。虽然OpenMV内部已经封装了转换函数，但理解这一过程有助于我们解释为何某些颜色在LAB空间中更容易分离。例如，纯红色（RGB: 255,0,0）在LAB中大约为L=53, A=80, B=67，而纯绿色（RGB: 0,255,0）约为L=88, A=-86, B=83。两者的A通道差异巨大，因此通过A阈值即可轻松区分红绿，而无需同时比较三个RGB通道。

4.2 判断方法：LAB阈值设定的系统化流程

设定LAB阈值不是随意取几个数值，而是需要遵循一套可复现的工程流程。以下是OpenMV工业检测中常用的五步阈值设定法：

1. 样本采集：在目标光照条件下，拍摄包含目标颜色的多张图像。样本应覆盖不同角度、不同距离、不同表面状态（如哑光、亮光）。至少采集10-20张图像作为阈值标定依据。
2. 直方图分析：在OpenMV IDE中打开阈值编辑器，切换到直方图模式。观察目标区域在L、A、B三个通道上的像素分布。理想情况下，目标颜色应呈现单峰分布，且峰宽较窄。
3. 初始阈值设定：以直方图峰值中心为基准，向两侧扩展。初始范围建议为峰值±15%（对于A和B通道），L通道可放宽至±25%。例如，若A通道峰值为40，则初始A阈值设为25~55。
4. 迭代验证：将阈值应用到测试图像上，检查误检率和漏检率。如果背景被误检，则收窄阈值；如果目标区域不完整，则放宽阈值。每次调整幅度不超过5个数值单位。
5. 鲁棒性测试：在光照变化±20%、目标旋转45°、距离变化±30%的条件下重复测试。记录阈值边界值，最终取所有条件下均能正确识别的交集范围。

步骤	操作内容	关键参数/工具	常见问题
1. 样本采集	拍摄目标颜色在不同条件下的图像	光照强度计、角度支架	样本过少导致阈值过拟合
2. 直方图分析	观察L/A/B通道像素分布	OpenMV阈值编辑器直方图	目标与背景分布重叠
3. 初始阈值	以峰值为中心设定范围	A/B: ±15%, L: ±25%	范围过宽导致误检
4. 迭代验证	应用阈值并检查识别效果	二值化图像预览	调整幅度过大
5. 鲁棒性测试	改变光照、角度、距离测试	多组测试图像	未考虑极端工况

在实际操作中，image.find_blobs()函数是OpenMV执行颜色识别的核心API。该函数接受一个阈值列表（每个元素为(L_min, L_max, A_min, A_max, B_min, B_max)），并返回所有匹配的色块对象。色块对象包含中心坐标、像素面积、边界框等信息，这些数据可直接用于位置识别和缺陷定位。

4.3 案例拆解：电路板焊点缺陷检测中的颜色阈值应用

我们以一个典型的PCB焊点缺陷检测场景为例，说明LAB阈值设定的完整闭环。背景：某电子制造工厂需要在流水线上检测焊点是否氧化（颜色由亮银色变为暗褐色）。初始现象：使用RGB阈值检测时，由于环境光波动，误检率高达15%。目标：将误检率降至2%以下，同时保证漏检率不超过1%。

关键输入数据：正常焊点RGB均值约为(192, 195, 200)，氧化焊点RGB均值约为(120, 85, 60)。在LAB空间中，正常焊点L=78, A=0, B=2；氧化焊点L=45, A=12, B=18。可以看出，两者的L通道差异显著（78 vs 45），A和B通道也有区分度。

分析判断过程：我们首先尝试设定L阈值45~78，A阈值-5~15，B阈值-5~20。但测试发现，当光照增强时，正常焊点的L值升至85，超出阈值上限，导致漏检。进一步分析直方图发现，氧化焊点的L通道分布较宽（40~55），而正常焊点L分布为75~85。于是将L阈值调整为40~85，同时收窄A阈值至5~15，B阈值至10~20，以排除背景绿色阻焊层（其A值约为-20）。

实际操作步骤：在OpenMV中执行以下代码：

import sensor, image, time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)

# LAB阈值: L 40~85, A 5~15, B 10~20
thresholds = [(40, 85, 5, 15, 10, 20)]

while True:
    img = sensor.snapshot()
    blobs = img.find_blobs(thresholds, pixels_threshold=50, area_threshold=50)
    for blob in blobs:
        img.draw_rectangle(blob.rect(), color=(255, 0, 0))
        img.draw_cross(blob.cx(), blob.cy(), color=(0, 255, 0))
        print("氧化焊点坐标: ({}, {})".format(blob.cx(), blob.cy()))

结果对比：采用LAB阈值后，误检率从15%降至1.8%，漏检率维持在0.5%。代价是阈值调试时间增加了约2小时，但产线稳定性显著提升。复盘经验：L通道的宽容度是抗光照干扰的关键，而A/B通道的精确设定则决定了颜色选择性。在工业场景中，建议每4小时进行一次阈值漂移检查，因为LED光源老化会导致色温变化。

4.4 常见误区与总结复盘

在颜色识别开发中，工程师常陷入以下误区：

• 误区一：直接使用RGB阈值。除非光照完全恒定且背景单一，否则RGB阈值极易受环境干扰。正确做法是优先使用LAB空间。
• 误区二：阈值范围越窄越好。过窄的阈值会导致漏检，尤其在目标颜色存在自然波动时。应保留至少±10%的余量。
• 误区三：忽略L通道的作用。有些开发者只设定A和B阈值，将L设为0~100。这会导致黑色背景被误检为任意颜色，因为黑色的A和B值接近0，可能落入目标范围。
• 误区四：一次性设定后不再校准。工业环境的光照会随时间漂移，必须建立定期校准机制。

总结本章核心要点：LAB颜色空间通过分离亮度和色度，为工业颜色检测提供了抗干扰的数学基础；阈值设定必须基于直方图统计而非主观猜测；L通道的宽容度控制光照鲁棒性，A/B通道的精度控制颜色选择性；实际部署中需要建立阈值校准周期。掌握这些原理和方法，你就能在OpenMV平台上构建稳定可靠的颜色识别模块，为后续的缺陷检测和位置定位功能奠定坚实基础。