Update app.py

app.py

@@ -1,88 +1,150 @@
 # -*- coding: utf-8 -*-
+"""
+کد کامل تحلیل مصالح ساختمانی با Gradio Interface
+"""
+
 import gradio as gr
 from collections import Counter
 from transformers import AutoImageProcessor, AutoModelForImageClassification
 from PIL import Image
-import torch, math, pandas as pd
+import torch
+import math
 
 # ==============================
-# 📦 بارگذاری مدل (یکبار کش میشه)
+# 📦 بارگذاری مدل
 # ==============================
-model_id = "prithivMLmods/Minc-Materials-23"
-processor = AutoImageProcessor.from_pretrained(model_id)
-model = AutoModelForImageClassification.from_pretrained(model_id)
+@torch.no_grad()
+def load_model():
+    model_id = "prithivMLmods/Minc-Materials-23"
+    processor = AutoImageProcessor.from_pretrained(model_id)
+    model = AutoModelForImageClassification.from_pretrained(model_id)
+    return processor, model
+
+processor, model = load_model()
 
 # ==============================
 # 📊 پارامترهای مصالح
 # ==============================
 material_params = {
-    "brick": {"alpha":0.3,"eps":0.9,"I":1600},
-    "stone": {"alpha":0.25,"eps":0.92,"I":2000},
-    "polishedstone":{"alpha":0.2,"eps":0.9,"I":2100},
-    "concrete":{"alpha":0.35,"eps":0.9,"I":1800},
-    "metal":{"alpha":0.5,"eps":0.2,"I":4000},
-    "glass":{"alpha":0.1,"eps":0.85,"I":1500},
-    "wood":{"alpha":0.35,"eps":0.9,"I":800},
-    "tile":{"alpha":0.4,"eps":0.9,"I":1200},
-    "ceramic":{"alpha":0.45,"eps":0.92,"I":1300},
-    "painted":{"alpha":0.3,"eps":0.9,"I":1000},
-    "plastic":{"alpha":0.1,"eps":0.95,"I":800},
-    "paper":{"alpha":0.6,"eps":0.95,"I":500},
-    "mirror":{"alpha":0.7,"eps":0.1,"I":2000},
-    "foliage":{"alpha":0.25,"eps":0.98,"I":900},
-    "water":{"alpha":0.06,"eps":0.98,"I":4200},
-   
+    "brick": {"alpha": 0.3, "eps": 0.9, "I": 1600, "name": "آجر"},
+    "stone": {"alpha": 0.25, "eps": 0.92, "I": 2000, "name": "سنگ"},
+    "polishedstone": {"alpha": 0.2, "eps": 0.9, "I": 2100, "name": "سنگ صیقلی"},
+    "concrete": {"alpha": 0.35, "eps": 0.9, "I": 1800, "name": "بتن"},
+    "metal": {"alpha": 0.5, "eps": 0.2, "I": 4000, "name": "فلز"},
+    "glass": {"alpha": 0.1, "eps": 0.85, "I": 1500, "name": "شیشه"},
+    "wood": {"alpha": 0.35, "eps": 0.9, "I": 800, "name": "چوب"},
+    "tile": {"alpha": 0.4, "eps": 0.9, "I": 1200, "name": "کاشی"},
+    "ceramic": {"alpha": 0.45, "eps": 0.92, "I": 1300, "name": "سرامیک"},
+    "painted": {"alpha": 0.3, "eps": 0.9, "I": 1000, "name": "سطح رنگ‌شده"},
+    "plastic": {"alpha": 0.1, "eps": 0.95, "I": 800, "name": "پلاستیک"},
+    "paper": {"alpha": 0.6, "eps": 0.95, "I": 500, "name": "کاغذ"},
+    "mirror": {"alpha": 0.7, "eps": 0.1, "I": 2000, "name": "آینه"},
+    "foliage": {"alpha": 0.25, "eps": 0.98, "I": 900, "name": "گیاهان"},
+    "water": {"alpha": 0.06, "eps": 0.98, "I": 4200, "name": "آب"},
+    "sky": {"alpha": 1.0, "eps": 1.0, "I": 0, "name": "آسمان"},
 }
 
-# دسته‌ها و جایگزین‌ها (خلاصه)
-replacement_text = {
-    "facade": {"brick":"آجر روشن یا نمای سرامیکی روشن","stone":"سنگ روشن یا نمای گچی بازتابی"},
-    "glazing": {"glass":"شیشه دوجداره Low-E","mirror":"شیشه مات یا بازتاب متعادل"},
-    "metallic": {"metal":"آلومینیوم رنگ روشن"},
-    "coverings": {"plastic":"چوب روشن یا سنگ سبک"},
-    "wood_elements": {"wood":"چوب روشن با پوشش بازتابی"},
-    "vegetation": {"foliage":None},
-    "water_bodies": {"water":None},
-   
+material_categories = {
+    "facade": {
+        "members": ["brick", "stone", "polishedstone", "concrete", "tile", "ceramic", "painted"],
+        "candidates": ["brick", "stone", "polishedstone", "concrete", "tile", "ceramic", "painted"]
+    },
+    "glazing": {
+        "members": ["glass", "mirror"],
+        "candidates": ["glass", "mirror"]
+    },
+    "metallic": {
+        "members": ["metal"],
+        "candidates": ["metal"]
+    },
+    "coverings": {
+        "members": ["plastic", "paper"],
+        "candidates": ["plastic", "paper"]
+    },
+    "wood_elements": {
+        "members": ["wood"],
+        "candidates": ["wood"]
+    },
+    "vegetation": {
+        "members": ["foliage"],
+        "candidates": ["foliage"]
+    },
+    "water_bodies": {
+        "members": ["water"],
+        "candidates": ["water"]
+    },
+    "background": {
+        "members": ["sky"],
+        "candidates": ["sky"]
+    }
 }
 
-material_categories = {
-    "facade":["brick","stone","polishedstone","concrete","tile","ceramic","painted"],
-    "glazing":["glass","mirror"],
-    "metallic":["metal"],
-    "coverings":["plastic","paper","fabric"],
-    "wood_elements":["wood"],
-    "vegetation":["foliage"],
-    "water_bodies":["water"],
-    
+replacement_text = {
+    "facade": {
+        "brick": "آجر روشن یا نمای سرامیکی/تایل روشن با پوشش بازتابی",
+        "stone": "سنگ روشن یا سنگ با پوشش بازتابی",
+        "polishedstone": "سنگ مات روشن یا سرامیک نما روشن",
+        "concrete": "بتن روشن با پوشش بازتابی یا موزاییک نما روشن",
+        "tile": "کاشی/سرامیک روشن یا متخلخل",
+        "ceramic": "سرامیک روشن با نمای بازتابی",
+        "painted": "رنگ بازتابی (cool paint) یا پوشش نانو بازتابی"
+    },
+    "glazing": {
+        "glass": "شیشه دو جداره با پوشش Low-E یا شیشه بازتابی کنترل‌شده",
+        "mirror": "شیشه مات یا شیشه Low-E با فریم عایق"
+    },
+    "metallic": {
+        "metal": "آلومینیوم رنگ روشن یا پوشش پودری با بازتاب بالا"
+    },
+    "coverings": {
+        "plastic": "سنگ سبک یا چوب روکش‌دار روشن",
+        "paper": "جایگزینی طراحی یا مواد پایدارتر"
+    },
+    "wood_elements": {
+        "wood": "چوب رنگ روشن یا چوب با روکش بازتابی/محافظ"
+    },
+    "vegetation": {
+        "foliage": "حفظ و گسترش پوشش گیاهی طبیعی"
+    },
+    "water_bodies": {
+        "water": "حفظ منابع آبی به عنوان عنصر خنک‌کننده"
+    },
+    "background": {
+        "sky": "عنصر طبیعی بدون نیاز به تغییر"
+    }
 }
 
 # ==============================
-# محاسبات
+# 🔧 توابع کمکی
 # ==============================
-def ET_proxy(T,RH):
-    es = 0.6108*math.exp((17.27*T)/(T+237.3))
-    return es*(1-RH/100)
+def ET_proxy(T, RH):
+    es = 0.6108 * math.exp((17.27 * T) / (T + 237.3))
+    return es * (1 - RH / 100.0)
 
-def calc_deltaT(material,T_air,RH,u,S):
-    if material not in material_params: return 0.0
-    p = material_params[material]
-    alpha,eps,I = p["alpha"],p["eps"],p["I"]
-    A,B,C,D = 1.0,0.4,0.8,0.015
-    h_c = 5.8+4.1*u
-    if material=="foliage":
-        C_m = A*(1-alpha)-D*ET_proxy(T_air,RH)
+def calc_deltaT(material, T_air, RH, u, S):
+    if material not in material_params:
+        return 0.0
+        
+    alpha = material_params[material]["alpha"]
+    eps = material_params[material]["eps"]
+    I = material_params[material]["I"]
+    
+    A, B, C, D = 1.0, 0.4, 0.8, 0.015
+    h_c = 5.8 + 4.1 * u
+    
+    if material == "foliage":
+        C_m = A * (1 - alpha) - D * ET_proxy(T_air, RH)
     else:
-        C_m = A*(1-alpha)+B*(1-eps)+(C/math.sqrt(max(I,1)))
-    gamma = S/max(h_c,1e-6)
-    return gamma*C_m/1000.0
-# بهبود تابع برش تصویر - افزایش همپوشانی برای پوشش بهتر
-def get_patches(image, size=224, stride=100):  # کاهش stride از 200 به 100
+        C_m = A * (1 - alpha) + B * (1 - eps) + (C / math.sqrt(max(I, 1)))
+    
+    gamma = S / max(h_c, 1e-6)
+    return gamma * C_m / 1000.0
+
+def get_patches(image, size=224, stride=100):
     patches = []
     w, h = image.size
     
-    # افزودن مقیاس‌های مختلف
-    for scale in [1.0, 0.75, 0.5]:
+    for scale in [1.0, 0.75]:
         scaled_w, scaled_h = int(w * scale), int(h * scale)
         if min(scaled_w, scaled_h) < size:
             continue
@@ -97,52 +159,143 @@ def get_patches(image, size=224, stride=100):  # کاهش stride از 200 به 1
                     patches.append(patch)
     
     return patches
+
 # ==============================
-# تابع اصلی
+# 🎯 تابع اصلی تحلیل
 # ==============================
-def analyze(img,T_air,RH=40,u=2,S=700):
-    img=img.convert("RGB")
-    patches=get_patches(img)
-
-    all_predictions=[]
-    for patch in patches:
-        inputs=processor(images=patch,return_tensors="pt")
-        with torch.no_grad():
-            outputs=model(**inputs)
-            probs=torch.nn.functional.softmax(outputs.logits,dim=-1)
-        label=model.config.id2label[torch.argmax(probs[0]).item()]
-        all_predictions.append(label)
-
-    counter=Counter(all_predictions)
-    total_patches=len(patches)
-    materials_found={m for m,c in counter.items() if c>=3 and m in material_params}
-
-    results=[]
-    for m in materials_found:
-        share=counter[m]/total_patches
-        dT=calc_deltaT(m,T_air,RH,u,S)
-        results.append(f"{m} | سهم={share*100:.1f}% | ΔT={dT:+.3f}°C")
-
-    if not results: return "⛔ هیچ مصالح معتبری شناسایی نشد."
-
-    scene_deltaT=sum((counter[m]/total_patches)*calc_deltaT(m,T_air,RH,u,S) for m in materials_found)
-    summary=f"📌 ΔT میانگین وزنی: {scene_deltaT:+.2f} °C\n📌 دمای مؤثر سطح: {T_air+scene_deltaT:.2f} °C"
-    return "\n".join(results+["",summary])
+def analyze_image(img, T_air, RH, u, S):
+    try:
+        img = img.convert("RGB")
+        patches = get_patches(img)
+        
+        if len(patches) == 0:
+            return "⛔ تصویر نامعتبر است یا کوچک است."
+        
+        # پیش‌بینی با اعتم��د بیشتر
+        all_predictions = []
+        confidence_threshold = 0.7  # افزایش آستانه اطمینان
+        
+        for patch in patches:
+            inputs = processor(images=patch, return_tensors="pt")
+            
+            with torch.no_grad():
+                outputs = model(**inputs)
+                probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
+                confidence, pred = torch.max(probs, dim=-1)
+            
+            if confidence.item() > confidence_threshold:
+                label = model.config.id2label[pred.item()]
+                all_predictions.append(label)
+        
+        if not all_predictions:
+            return "⛔ هیچ مصالح معتبری با اطمینان کافی شناسایی نشد."
+        
+        counter = Counter(all_predictions)
+        total_patches = len(all_predictions)
+        
+        # فیلتر مواد با فراوانی کافی
+        materials_found = {}
+        ignore_classes = ["food", "skin", "other", "wallpaper", "carpet", "fabric"]
+        
+        for m, count in counter.items():
+            if (m in material_params and 
+                m not in ignore_classes and 
+                count >= max(3, total_patches * 0.1)):
+                materials_found[m] = count
+        
+        if not materials_found:
+            return "⛔ هیچ مصالح معتبری شناسایی نشد."
+        
+        # محاسبه اطلاعات مواد
+        material_info = {}
+        for m, count in materials_found.items():
+            share = count / total_patches
+            dT = calc_deltaT(m, T_air, RH, u, S)
+            material_info[m] = {"count": count, "share": share, "deltaT": dT}
+        
+        # محاسبه توصیه‌ها
+        IMPROVEMENT_THRESHOLD = 0.02
+        SHARE_IMPORTANCE_THRESHOLD = 0.03
+        
+        candidate_delta_cache = {}
+        for cat, info in material_categories.items():
+            for candidate in info["candidates"]:
+                if candidate not in candidate_delta_cache:
+                    candidate_delta_cache[candidate] = calc_deltaT(candidate, T_air, RH, u, S)
+        
+        results = []
+        for m, info in material_info.items():
+            # پیدا کردن دسته
+            found_category = None
+            for cat, cinfo in material_categories.items():
+                if m in cinfo["members"]:
+                    found_category = cat
+                    break
+            
+            if found_category is None:
+                results.append(f"{material_params[m]['name']} | سهم={info['share']*100:.1f}% | ΔT={info['deltaT']:+.2f}°C | دسته‌بندی نشده")
+                continue
+            
+            # پیدا کردن بهترین جایگزین
+            candidates = material_categories[found_category]["candidates"]
+            cand_list = []
+            for c in candidates:
+                dTc = candidate_delta_cache.get(c, calc_deltaT(c, T_air, RH, u, S))
+                cand_list.append((c, dTc))
+            
+            cand_list.sort(key=lambda x: x[1])
+            current_dT = info["deltaT"]
+            best_candidate, best_dT = cand_list[0]
+            improvement = current_dT - best_dT
+            
+            if improvement >= IMPROVEMENT_THRESHOLD and best_candidate != m:
+                importance = "بالا" if info["share"] >= SHARE_IMPORTANCE_THRESHOLD else "اختیاری"
+                suggestion = replacement_text.get(found_category, {}).get(best_candidate, "جایگزین بهینه")
+                
+                results.append(
+                    f"{material_params[m]['name']} | سهم={info['share']*100:.1f}% | ΔT={current_dT:+.2f}°C | "
+                    f"جایگزین: {material_params[best_candidate]['name']} (ΔT={best_dT:+.2f}°C) | "
+                    f"بهبود: {improvement:.2f}°C | اهمیت: {importance} | پیشنهاد: {suggestion}"
+                )
+            else:
+                results.append(
+                    f"{material_params[m]['name']} | سهم={info['share']*100:.1f}% | ΔT={current_dT:+.2f}°C | بهینه است"
+                )
+        
+        # محاسبه میانگین وزنی
+        scene_deltaT = sum(info["share"] * info["deltaT"] for info in material_info.values())
+        
+        summary = (
+            f"\n📊 خلاصه نتایج:\n"
+            f"• ΔT میانگین وزنی: {scene_deltaT:+.2f}°C\n"
+            f"• دمای مؤثر سطح: {T_air + scene_deltaT:.2f}°C\n"
+            f"• تعداد پچ‌های تحلیل شده: {total_patches}\n"
+            f"• مصالح شناسایی شده: {', '.join([material_params[m]['name'] for m in materials_found.keys()])}"
+        )
+        
+        return "\n".join(results) + summary
+        
+    except Exception as e:
+        return f"خطا در پردازش: {str(e)}"
 
 # ==============================
-# رابط کاربری Gradio
+# 🎨 رابط کاربری Gradio
 # ==============================
 demo = gr.Interface(
-    fn=analyze,
+    fn=analyze_image,
     inputs=[
-        gr.Image(type="pil",label="📷 تصویر را بارگذاری کنید"),
-        gr.Number(label="🌡️ دمای هوا (°C)",value=32),
-        gr.Number(label="💧 رطوبت نسبی (%)",value=40),
-        gr.Number(label="💨 سرعت باد (m/s)",value=2),
-        gr.Number(label="☀️ تابش خورشیدی (W/m²)",value=700)
+        gr.Image(type="pil", label="📷 تصویر نمای ساختمان"),
+        gr.Slider(minimum=-10, maximum=50, value=32, step=1, label="🌡️ دمای هوا (°C)"),
+        gr.Slider(minimum=0, maximum=100, value=40, step=5, label="💧 رطوبت نسبی (%)"),
+        gr.Slider(minimum=0, maximum=10, value=2, step=0.5, label="💨 سرعت باد (m/s)"),
+        gr.Slider(minimum=0, maximum=1500, value=700, step=50, label="☀️ تابش خورشیدی (W/m²)")
     ],
-    outputs=gr.Textbox(label="نتایج تحلیل")
+    outputs=gr.Textbox(label="نتایج تحلیل", lines=20),
+    title="🏗️ تحلیل هوشمند مصالح ساختمانی",
+    description="""این سامانه با استفاده از هوش مصنوعی، مصالح ساختمانی را شناسایی کرده و 
+    با تحلیل حرارتی، بهینه‌ترین گزینه‌ها را برای بهبود عملکرد حرارتی پیشنهاد می‌دهد.""",
+    allow_flagging="never"
 )
 
-if __name__=="__main__":
-    demo.launch()
+if __name__ == "__main__":
+    demo.launch(share=True, server_name="0.0.0.0", server_port=7860)