Update app.py

app.py

@@ -27,7 +27,7 @@ from typing import Optional, List
 from fastapi import FastAPI, HTTPException, File, UploadFile
 from fastapi.middleware.cors import CORSMiddleware
 from fastapi.staticfiles import StaticFiles
-from fastapi.responses import FileResponse
+from fastapi.responses import FileResponse, JSONResponse
 from pydantic import BaseModel
 
 from firebase_admin import credentials, firestore
@@ -74,7 +74,7 @@ except Exception as e:
 
 
 # ──────────────────────────────────────────────────────────────────────────
-# 載入模型
+# 載入 BERT+LSTM+CNN 模型
 model_path = "/tmp/model.pth"
 model_url = "https://huggingface.co/jerrynnms/scam-model/resolve/main/model.pth"
 if not os.path.exists(model_path):
@@ -82,6 +82,7 @@ if not os.path.exists(model_path):
     if response.status_code == 200:
         with open(model_path, "wb") as f:
             f.write(response.content)
+        print("✅ 模型下載完成")
     else:
         raise FileNotFoundError("❌ 無法從 Hugging Face 下載 model.pth")
 
@@ -108,6 +109,9 @@ class TextAnalysisResponse(BaseModel):
 
 @app.post("/predict", response_model=TextAnalysisResponse)
 async def analyze_text_api(request: TextAnalysisRequest):
+    """
+    純文字輸入分析：使用 BERT 模型判斷詐騙與否，並取得可疑關鍵詞
+    """
     try:
         tz = pytz.timezone("Asia/Taipei")
         now = datetime.now(tz)
@@ -127,7 +131,8 @@ async def analyze_text_api(request: TextAnalysisRequest):
         }
         try:
             db.collection(collection).document(doc_id).set(record)
-        except:
+        except Exception:
+            # 如果 Firestore 無法寫入，也不影響回傳結果
             pass
 
         return TextAnalysisResponse(
@@ -143,6 +148,9 @@ async def analyze_text_api(request: TextAnalysisRequest):
 
 @app.post("/feedback")
 async def save_user_feedback(feedback: dict):
+    """
+    使用者回饋：將回饋資料寫入 Firestore
+    """
     try:
         tz = pytz.timezone("Asia/Taipei")
         timestamp_str = datetime.now(tz).strftime("%Y-%m-%d %H:%M:%S")
@@ -150,7 +158,7 @@ async def save_user_feedback(feedback: dict):
         feedback["used_in_training"] = False
         try:
             db.collection("user_feedback").add(feedback)
-        except:
+        except Exception:
             pass
         return {"message": "✅ 已記錄使用者回饋"}
     except Exception as e:
@@ -160,41 +168,48 @@ async def save_user_feedback(feedback: dict):
 # ──────────────────────────────────────────────────────────────────────────
 # 強化 OCR 前處理 + 附帶 Debug 圖輸出
 def preprocess_image_for_ocr(pil_image: Image.Image) -> Image.Image:
-    # PIL → NumPy (RGB->BGR)
+    """
+    前處理流程：
+      1. PIL Image → NumPy BGR
+      2. 灰階 + CLAHE（對比度增強）
+      3. 橘色背景遮罩 → 將背景橘色轉為白色
+      4. 固定閾值反向二值化
+      5. 放大 & GaussianBlur 平滑
+    中間各步驟會將影像存到 /tmp/debug_*.png，方便除錯
+    """
+    # 1. PIL → NumPy (RGB->BGR)
     img = np.array(pil_image.convert("RGB"))[:, :, ::-1]
 
-    # 灰階 + CLAHE
+    # 2. 灰階 + CLAHE
     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
     enhanced = clahe.apply(gray)
-
-    # Save debug file: CLAHE 增強後的灰階
+    # Debug: CLAHE 增強後的灰階
     Image.fromarray(enhanced).save("/tmp/debug_clahe.png")
 
-    # HSV 色彩分離 (過濾橘色背景)
+    # 3. HSV 色彩分離 (過濾橘色背景)
     hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
     lower_orange = np.array([5, 100, 100])
     upper_orange = np.array([20, 255, 255])
     mask_orange = cv2.inRange(hsv, lower_orange, upper_orange)
-    # Save debug file: 橘色 mask
+    # Debug: 橘色 mask
     Image.fromarray(mask_orange).save("/tmp/debug_mask_orange.png")
 
+    # 將 mask 範圍內的像素設為白色（255），其餘保留灰階
     filtered = enhanced.copy()
     filtered[mask_orange > 0] = 255
-
-    # Save debug file: 過濾橘色後的灰階
+    # Debug: 過濾橘色後的灰階
     Image.fromarray(filtered).save("/tmp/debug_filtered.png")
 
-    # 固定閾值反向二值化
+    # 4. 固定閾值反向二值化 (threshold 200)
     _, thresh = cv2.threshold(filtered, 200, 255, cv2.THRESH_BINARY_INV)
-    # Save debug file: 二值化後
+    # Debug: 二值化後
     Image.fromarray(thresh).save("/tmp/debug_thresh.png")
 
-    # 放大3倍 & GaussianBlur
+    # 5. 放大 3 倍 & GaussianBlur 平滑
     scaled = cv2.resize(thresh, None, fx=3.0, fy=3.0, interpolation=cv2.INTER_CUBIC)
     smoothed = cv2.GaussianBlur(scaled, (5, 5), 0)
-
-    # Save final debug processed image
+    # Debug: 最終前處理結果
     Image.fromarray(smoothed).save("/tmp/debug_processed.png")
 
     return Image.fromarray(smoothed)
@@ -204,38 +219,56 @@ def preprocess_image_for_ocr(pil_image: Image.Image) -> Image.Image:
 @app.post("/analyze-image")
 async def analyze_uploaded_image(file: UploadFile = File(...)):
     """
-    圖片上傳並進行 OCR 辨識，擷取文字後再用 BERT 模型做詐騙分析。
-    同時會把每個關鍵步驟的影像存到 /tmp/debug_*.png 供檢查。
+    圖片上傳並進行 OCR 辨識：
+      1. 讀取 UploadFile → PIL Image
+      2. 呼叫 preprocess_image_for_ocr 進行前處理 (並輸出 debug)
+      3. 用 pytesseract 擷取文字
+      4. 若擷取到文字，送給 BERT 做詐騙判斷
+      5. 回傳 JSON 包含 extracted_text 與 analysis_result
     """
+    # 1) 確認收到檔案
+    print("🔍 [DEBUG] 收到 analyze-image，檔名 =", file.filename)
+
     try:
+        # 2) 讀取圖片 bytes，再轉成 PIL Image
         image_bytes = await file.read()
-        image = Image.open(io.BytesIO(image_bytes))
+        print("🔍 [DEBUG] 圖片 bytes 長度 =", len(image_bytes))
+        pil_img = Image.open(io.BytesIO(image_bytes))
+        print("🔍 [DEBUG] PIL 成功開啟圖片，格式 =", pil_img.format, "大小 =", pil_img.size)
 
-        # 強化前處理 (並輸出 debug 圖)
-        processed_image = preprocess_image_for_ocr(image)
+        # 3) 強化前處理 (並產出 debug 影像)
+        processed_image = preprocess_image_for_ocr(pil_img)
 
+        # 4) Tesseract OCR
         custom_config = r"-l chi_tra+eng --oem 3 --psm 6"
         extracted_text = pytesseract.image_to_string(
             processed_image,
             config=custom_config
         ).strip()
+        print("🔍 [DEBUG] Tesseract 擷取文字 =", repr(extracted_text))
 
+        # 5) 如果沒有擷取到任何文字
         if not extracted_text:
-            return {
+            return JSONResponse({
                 "extracted_text": "",
                 "analysis_result": {
                     "status": "無法辨識",
                     "confidence": 0.0,
                     "suspicious_keywords": ["無法擷取分析結果"]
                 }
-            }
+            })
 
+        # 6) 擷取到文字後，呼叫 BERT 模型做詐騙判斷
         result = bert_analyze_text(extracted_text)
-        return {
+        return JSONResponse({
             "extracted_text": extracted_text,
             "analysis_result": result
-        }
+        })
+
     except Exception as e:
+        # 印出詳細錯誤堆疊
+        import traceback
+        traceback.print_exc()
         raise HTTPException(status_code=500, detail=f"圖片辨識失敗：{str(e)}")