El color es un indicador clave en la evaluación de la calidad del algodón en semilla. La detección precisa y rápida del color del algodón en semilla es esencial para su almacenamiento, procesamiento y comercio. En este estudio, se propuso un método basado en imágenes RGB y segmentación semántica para la detección del color del algodón en semilla. Primero, se desarrolló un sistema de detección de color utilizando tecnología de visión artificial para capturar imágenes de algodón en semilla. Luego, se aplicó un modelo Color-Unet, que incorpora bloques de convolución de atención y módulos mejorados de Inception E basados en Unet, para eliminar eficazmente impurezas y sombras de las imágenes, resolviendo el problema de sobre-segmentación comúnmente encontrado en la segmentación de umbral tradicional. Los resultados demostraron que la precisión de píxeles de la segmentación alcanzó el 97.20%, la intersección media sobre la unión fue del 91.81%, y la velocidad media de segmentación fue de 322.3 ms por imagen. El modelo Color-Unet abordó eficazmente el problema de sobre-segmentación. Posteriormente, se calcularon índices de color del algodón en semilla utilizando fórmulas de color Hunter basadas en las imágenes segmentadas. Para evaluar la precisión de la medición del color obtenida con el método propuesto, se realizó un análisis de regresión, comparando los resultados con los de la medición HX-410. El coeficiente de determinación de la tonalidad fue de 0.883, con un error cuadrático medio de 0.150 y un error relativo medio del 2.61%. El coeficiente de determinación del grado de reflectancia fue de 0.832, con un error cuadrático medio del 1.56% y un error relativo medio del 1.84%. El método propuesto permite la evaluación rápida y precisa del color del algodón en semilla a partir de imágenes RGB, proporcionando una valiosa referencia técnica para la evaluación del color del algodón en semilla.