Update app.py

app.py

@@ -668,7 +668,7 @@ def classify_image(img):
     if img.mode != 'RGB':
         img = img.convert('RGB')
 
-    # ✂️ قص الفراغ الأزرق قبل التحليل
+    # ✂️ قص الحاوية
     img = crop_container(img)
 
     input_224 = transform_224(img).unsqueeze(0).to(DEVICE)
@@ -1078,67 +1078,89 @@ def enhance_single_independent(img, technique):
 
 
 # ═══════════════════════════════════════════════════════════════
-# ⚡ YOLO11x-cls فقط — تحليل سريع مستقل
-# لا يستخدم classify_image ولا analyze_image
+# ═══════════════════════════════════════════════════════════════
+# ✂️ دالة القص الذكي — تزيل الفراغ الأزرق وهيكل الشاحنة
 # ═══════════════════════════════════════════════════════════════
 
 def crop_container(img):
     """
-    ✂️ قص الحاوية وإزالة الفراغ الأزرق الخلفي
-    يبحث عن حدود المحتوى الحقيقي ويقص الخلفية الزرقاء
+    ✂️ قص الحاوية بذكاء:
+    - إزالة الفراغ الأزرق (يمين/يسار)
+    - إزالة هيكل الشاحنة والعجلات (أسفل)
+    يعمل بإيجاد أكبر كتلة متصلة من الصفوف الكثيفة
     """
     import numpy as np
     arr = np.array(img)
     h, w = arr.shape[:2]
 
-    # الخلفية الزرقاء: R<100, G<100, B>130
-    # المحتوى: أي بكسل ليس أزرق خالص
-    if len(arr.shape) == 3:
-        is_bg = (arr[:,:,0].astype(int) < 100) & \
-                (arr[:,:,1].astype(int) < 100) & \
-                (arr[:,:,2].astype(int) > 130)
-        # أيضاً الأبيض/الرمادي الفاتح جداً كخلفية
-        is_bg_white = (arr[:,:,0] > 240) & (arr[:,:,1] > 240) & (arr[:,:,2] > 240)
-        is_bg = is_bg | is_bg_white
-    else:
-        return img  # grayscale — لا crop
+    if len(arr.shape) != 3 or arr.shape[2] < 3:
+        return img
 
-    is_content = ~is_bg
+    # الخلفية الزرقاء الخالصة
+    is_blue = (arr[:,:,0].astype(int) < 100) & \
+              (arr[:,:,1].astype(int) < 100) & \
+              (arr[:,:,2].astype(int) > 130)
+    is_content = ~is_blue
 
-    # البحث عن حدود المحتوى
-    rows_with_content = np.any(is_content, axis=1)
     cols_with_content = np.any(is_content, axis=0)
-
-    if not rows_with_content.any() or not cols_with_content.any():
-        print("⚠️ Crop: لم يُعثر على محتوى، إرجاع الأصلية")
+    if not cols_with_content.any():
         return img
 
-    top    = int(np.argmax(rows_with_content))
-    bottom = int(len(rows_with_content) - np.argmax(rows_with_content[::-1]))
-    left   = int(np.argmax(cols_with_content))
-    right  = int(len(cols_with_content) - np.argmax(cols_with_content[::-1]))
+    # الحدود الأفقية
+    left  = int(np.argmax(cols_with_content))
+    right = int(len(cols_with_content) - np.argmax(cols_with_content[::-1]))
+
+    # نسبة المحتوى في كل صف
+    row_content_ratio = np.mean(is_content, axis=1)
+
+    # البحث عن أكبر كتلة متصلة (الحاوية الرئيسية > 35% محتوى)
+    dense = row_content_ratio > 0.35
+    best_start, best_end, best_len = 0, h, 0
+    cur_start = None
 
-    # هامش 5 بكسل
-    margin = 5
-    top    = max(0, top - margin)
-    bottom = min(h, bottom + margin)
-    left   = max(0, left - margin)
-    right  = min(w, right + margin)
+    for i in range(h):
+        if dense[i]:
+            if cur_start is None:
+                cur_start = i
+        else:
+            if cur_start is not None:
+                length = i - cur_start
+                if length > best_len:
+                    best_len = length
+                    best_start = cur_start
+                    best_end = i
+                cur_start = None
+    if cur_start is not None:
+        length = h - cur_start
+        if length > best_len:
+            best_start = cur_start
+            best_end = h
+
+    if best_len > h * 0.10:
+        top    = max(0, best_start - 5)
+        bottom = min(h, best_end + 10)
+        print(f"✂️ كتلة الحاوية: صفوف {best_start}→{best_end}")
+    else:
+        # fallback: خذ أعلى 72%
+        top    = 0
+        bottom = int(h * 0.72)
+        print(f"✂️ fallback crop: أعلى 72% = {bottom}px")
 
     crop_w = right - left
     crop_h = bottom - top
 
-    # لا crop إذا كان المحتوى أقل من 20% من الصورة (خطأ في الكشف)
-    if crop_w < w * 0.2 or crop_h < h * 0.2:
-        print(f"⚠️ Crop: نتيجة صغيرة جداً {crop_w}x{crop_h}، إرجاع الأصلية")
+    if crop_w < w * 0.15 or crop_h < 30:
+        print(f"⚠️ Crop صغير جداً، إرجاع الأصلية")
         return img
 
-    print(f"✂️ Crop: {w}x{h} → {crop_w}x{crop_h} | L={left} T={top} R={right} B={bottom}")
-    print(f"✂️ تم حذف {w-crop_w} بكسل أفقي، {h-crop_h} بكسل رأسي")
-
+    print(f"✂️ {w}x{h} → {crop_w}x{crop_h} | L={left} R={right} T={top} B={bottom}")
     return img.crop((left, top, right, bottom))
 
 
+# ⚡ YOLO11x-cls فقط — تحليل سريع مستقل
+# لا يستخدم classify_image ولا analyze_image
+# ═══════════════════════════════════════════════════════════════
+
 def yolo11_fast_classify(img, declared_text):
     """⚡ تصنيف سريع بـ YOLO11x-cls فقط (3-8 ثواني)"""
     if img is None:
@@ -1150,13 +1172,10 @@ def yolo11_fast_classify(img, declared_text):
     if img.mode != 'RGB':
         img = img.convert('RGB')
 
-    # ✂️ قص الفراغ الأزرق — نفس ما يراه المستخدم في الواجهة
-    img_original_size = img.size
+    # ✂️ قص الحاوية وإزالة الفراغ الأزرق + هيكل الشاحنة
+    orig_size = img.size
     img = crop_container(img)
-    if img.size != img_original_size:
-        print(f"✂️ بعد الـ Crop: {img.size[0]}x{img.size[1]}")
-    else:
-        print("ℹ️ لم يتم Crop (الصورة بدون فراغ)")
+    print(f"✂️ قبل: {orig_size} | بعد: {img.size}")
 
     # ═══ البحث عن YOLO11x فقط ═══
     yolo_model = None