Update app.py (#6)

- Update app.py (67a6844314563a88cbe5165e99947457281de5bc)


Co-authored-by: Sardo <ChristianSardo@users.noreply.huggingface.co>

app.py

@@ -58,20 +58,24 @@ app.add_middleware(
 # ==============================================================================
 
 def process_image_bytes(img_bytes: bytes):
-    """Lógica de análise de imagem com OpenCV. Retorna um dict com métricas e a imagem de corrosão em numpy."""
+    """Lógica de análise de imagem com OpenCV. Retorna um dict com métricas e a imagem de corrosão em numpy (RGB)."""
     nparr = np.frombuffer(img_bytes, np.uint8)
     img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
     if img is None:
         raise ValueError("Não foi possível decodificar a imagem.")
 
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
+
+    # Segmentação do objeto principal (fundo escuro)
     lower_bg = np.array([0, 0, 0], dtype=np.uint8)
     upper_bg = np.array([180, 255, 50], dtype=np.uint8)
     mask_bg = cv2.inRange(hsv, lower_bg, upper_bg)
     mask_obj = cv2.bitwise_not(mask_bg)
+
     kernel = np.ones((5, 5), np.uint8)
     mask_obj = cv2.morphologyEx(mask_obj, cv2.MORPH_OPEN, kernel)
     mask_obj = cv2.morphologyEx(mask_obj, cv2.MORPH_CLOSE, kernel)
+
     contours, _ = cv2.findContours(mask_obj, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
     if not contours:
         raise ValueError("Nenhum objeto principal detectado na imagem.")
@@ -79,8 +83,11 @@ def process_image_bytes(img_bytes: bytes):
     largest = max(contours, key=cv2.contourArea)
     mask_clean = np.zeros_like(mask_obj)
     cv2.drawContours(mask_clean, [largest], -1, 255, cv2.FILLED)
+
     isolated = cv2.bitwise_and(img, img, mask=mask_clean)
     hsv_iso = cv2.cvtColor(isolated, cv2.COLOR_BGR2HSV)
+
+    # Corrosão branca (faixa de brancos)
     lower_white = np.array([0, 0, 180], dtype=np.uint8)
     upper_white = np.array([180, 60, 255], dtype=np.uint8)
     mask_white = cv2.inRange(hsv_iso, lower_white, upper_white)
@@ -96,7 +103,8 @@ def process_image_bytes(img_bytes: bytes):
     def to_data_uri(img_arr_rgb):
         bgr = cv2.cvtColor(img_arr_rgb, cv2.COLOR_RGB2BGR)
         ok, buf = cv2.imencode(".png", bgr)
-        if not ok: return None
+        if not ok:
+            return None
         b64 = base64.b64encode(buf.tobytes()).decode("ascii")
         return f"data:image/png;base64,{b64}"
 
@@ -107,8 +115,101 @@ def process_image_bytes(img_bytes: bytes):
         "isolated_image": to_data_uri(isolated_rgb),
         "corrosion_image": to_data_uri(corrosion_vis_rgb),
     }
+
+        return analysis_results, corrosion_vis_rgb
+
     
-    return analysis_results, corrosion_vis_rgb
+def analyze_and_persist(img_bytes: bytes, logical_name: str):
+    """
+    Processa a imagem em memória (process_image_bytes), faz upload no S3 (original & resultado)
+    e insere na tabela 'amostras'. Retorna o dict da análise + chaves S3 + database_id.
+    """
+    # 1) Processa
+    analysis_results, corrosion_image_np = process_image_bytes(img_bytes)
+
+    # 2) Upload ORIGINAL
+    content_type = mimetypes.guess_type(logical_name)[0] or "application/octet-stream"
+    extensao = mimetypes.guess_extension(content_type) or ".jpg"
+
+    s3_key_original = f"imagens_originais/{uuid.uuid4()}{extensao}"
+    s3_client.put_object(
+        Bucket=AWS_S3_BUCKET_NAME,
+        Key=s3_key_original,
+        Body=img_bytes,
+        ContentType=content_type
+    )
+
+    # 3) Upload RESULTADO (PNG)
+    bgr_result = cv2.cvtColor(corrosion_image_np, cv2.COLOR_RGB2BGR)
+    ok, buffer = cv2.imencode('.png', bgr_result)
+    if not ok:
+        raise ValueError("Falha ao codificar a imagem de resultado para PNG.")
+    s3_key_resultado = f"imagens_resultados/{uuid.uuid4()}.png"
+    s3_client.put_object(
+        Bucket=AWS_S3_BUCKET_NAME,
+        Key=s3_key_resultado,
+        Body=buffer.tobytes(),
+        ContentType='image/png'
+    )
+
+    # 4) Insert Supabase (na mesma tabela 'amostras')
+    dados_para_inserir = {
+        "imagem_original": s3_key_original,
+        "imagem_resultado": s3_key_resultado,
+        "resultado": analysis_results["percent"]
+    }
+    response = supabase_client.from_("amostra").insert(dados_para_inserir).execute()
+    new_record_id = response.data[0]['id']
+
+    # Retorno enriquecido
+    out = {
+        **analysis_results,
+        "database_id": new_record_id,
+        "s3_original": s3_key_original,
+        "s3_resultado": s3_key_resultado
+    }
+    return out
+
+    def segmentate(file_bytes: bytes):
+    """
+    Roda o YOLO, salva predição e crops, e retorna:
+    - save_dir (Path): diretório raiz onde o Ultralytics salvou esta execução
+    - crop_paths (list[Path]): lista com todos os arquivos de imagem dentro de /crops
+    """
+    modelo = YOLO('back-ciser/best.pt')
+
+    # Passa a imagem como array (sem salvar a original só para inferir)
+    img = Image.open(io.BytesIO(file_bytes)).convert("RGB")
+    np_img = np.array(img)
+    np_img_bgr = cv2.cvtColor(np_img, cv2.COLOR_RGB2BGR)
+
+    resultados = modelo.predict(
+        source=np_img,
+        imgsz=1280,
+        conf=0.7,
+        iou=0.3,
+        save=True,
+        save_crop=True,
+        project=LOCAL_RESULT,
+        name="predict",      # deixa previsível
+        exist_ok=True,
+        verbose=False
+    )
+
+    # Diretório real onde esta execução foi salva
+    save_dir = Path(resultados[0].save_dir)
+
+    crops_dir = save_dir / "crops"
+    if not crops_dir.exists():
+        return save_dir, []
+
+    # Varre recursivamente (crops/<classe>/*.jpg|png|...)
+    crop_paths = []
+    for ext in ("*.jpg", "*.png", "*.jpeg", "*.bmp", "*.tif", "*.tiff"):
+        crop_paths.extend(crops_dir.rglob(ext))
+
+    crop_paths = sorted(crop_paths, key=lambda p: str(p).lower())
+    return save_dir, crop_paths
 
 # ==============================================================================
 # 3. ENDPOINTS DA API