Update app.py

app.py

@@ -1,8 +1,4 @@
 # -*- coding: utf-8 -*-
-"""
-کد کامل تحلیل مصالح ساختمانی با Gradio Interface
-"""
-
 import gradio as gr
 from collections import Counter
 from transformers import AutoImageProcessor, AutoModelForImageClassification
@@ -10,287 +6,179 @@ from PIL import Image
 import torch
 import math
 
-# ==============================
-# 📦 بارگذاری مدل
-# ==============================
-@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
-# ==============================
+# ============================== (همان پارامترها و توابع قبلی)
 material_params = {
-    "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"},
-   
+    "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},
+    "sky": {"alpha": 1.0, "eps": 1.0, "I": 0},
 }
 
 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"]
-    }
+    "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", "fabric"], "candidates": ["plastic", "paper", "fabric"]},
+    "wood_elements": {"members": ["wood"], "candidates": ["wood"]},
+    "vegetation": {"members": ["foliage"], "candidates": ["foliage"]},
+    "water_bodies": {"members": ["water"], "candidates": ["water"]},
+    "background": {"members": ["sky"], "candidates": ["sky"]}
 }
 
 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 باز��ابی",
-        "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"
-    }
+    "facade": {"brick": "آجر روشن یا نمای سرامیکی/تایل روشن با پوشش بازتابی (cool coating)",
+               "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 (بسته به کاربرد)",
+                  "paper": "در نما کاربرد معمول ندارد - بررسی بهینه‌سازی طراحی",
+                  "fabric": "پارچه با روکش بازتابی یا سایه‌انداز طبیعی"},
+    "wood_elements": {"wood": "چوب رنگ روشن یا چوب با روکش بازتابی/محافظ"},
+    "vegetation": {"foliage": None},
+    "water_bodies": {"water": None},
+    "background": {"sky": None}
 }
 
-# ==============================
-# 🔧 توابع کمکی
-# ==============================
+# ============================== (توابع کمکی)
 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
-        
-    alpha = material_params[material]["alpha"]
-    eps = material_params[material]["eps"]
-    I = material_params[material]["I"]
-    
+def calc_deltaT(material, T_air, RH=40, u=2, S=700):
+    if material not in material_params: return 0.0
+    alpha, eps, I = material_params[material]["alpha"], material_params[material]["eps"], 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
 
-def get_patches(image, size=224, stride=100):  # کاهش stride از 200 به 100
+# ============================== (بارگذاری مدل)
+model_id = "prithivMLmods/Minc-Materials-23"
+processor = AutoImageProcessor.from_pretrained(model_id)
+model = AutoModelForImageClassification.from_pretrained(model_id)
+
+patch_size = 224
+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]:
         scaled_w, scaled_h = int(w * scale), int(h * scale)
-        if min(scaled_w, scaled_h) < size:
-            continue
-            
+        if min(scaled_w, scaled_h) < size: continue
         scaled_img = image.resize((scaled_w, scaled_h), Image.Resampling.LANCZOS)
-        
         for i in range(0, scaled_w, stride):
             for j in range(0, scaled_h, stride):
                 box = (i, j, min(i+size, scaled_w), min(j+size, scaled_h))
                 patch = scaled_img.crop(box)
                 if patch.size[0] >= size and patch.size[1] >= size:
                     patches.append(patch)
-    
     return patches
 
+# ============================== (تابع اصلی Gradio)
+def analyze_image(image, T_air=32.0, RH=40, u=2.0, S=700):
+    patches = get_patches(image, size=patch_size)
+    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)
+        top1 = torch.argmax(probs[0]).item()
+        label = model.config.id2label[top1]
+        all_predictions.append(label)
+    
+    counter = Counter(all_predictions)
+    total_patches = len(patches)
+    MIN_COUNT = 3
+    ignore_classes = ["food", "skin", "other", "wallpaper", "carpet"]
+    materials_found = {label for label, count in counter.items() if count >= MIN_COUNT and label not in ignore_classes}
+    
+    if len(materials_found) == 0:
+        return "هیچ مصالح معتبرِ کافی در تصویر شناسایی نشد (حداقل تکرار MIN_COUNT رعایت نمی‌شود)."
+    
+    material_info = {}
+    for label in sorted(materials_found):
+        count = counter[label]
+        share = count / total_patches
+        dT = calc_deltaT(label, T_air, RH, u, S)
+        material_info[label] = {"count": count, "share": share, "deltaT": dT}
+    
+    # مقایسه درون‌دسته‌ای و توصیه
+    IMPROVEMENT_THRESHOLD = 0.02
+    SHARE_IMPORTANCE_THRESHOLD = 0.03
+    recommendations = []
+    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)
+    
+    for label, info in material_info.items():
+        found_category = None
+        for cat, cinfo in material_categories.items():
+            if label in cinfo["members"]:
+                found_category = cat
+                break
+        if found_category is None:
+            recommendations.append(f"{label}: در دسته‌های پیش‌تعریف قرار ندارد.")
+            continue
+        candidates = material_categories[found_category]["candidates"]
+        cand_list = [(c, candidate_delta_cache.get(c, calc_deltaT(c, T_air, RH, u, S))) for c in candidates]
+        cand_list.sort(key=lambda x: x[1])
+        current_dT = info["deltaT"]
+        best_candidate, best_dT = cand_list[0]
+        improvement = current_dT - best_dT
+        share_pct = info["share"] * 100
+        if improvement >= IMPROVEMENT_THRESHOLD and best_candidate != label:
+            importance = "High" if info["share"] >= SHARE_IMPORTANCE_THRESHOLD else "Optional"
+            suggestion_text = replacement_text.get(found_category, {}).get(best_candidate, f"Consider replacing with {best_candidate}")
+            recommendations.append(
+                f"{label} ({found_category}): ΔT={current_dT:+.2f}°C → جایگزین: {best_candidate} (ΔT={best_dT:+.2f}°C) | بهبود: {improvement:+.2f}°C | اهمیت: {importance} | پیشنهاد: {suggestion_text}"
+            )
+        else:
+            recommendations.append(f"{label}: ΔT={current_dT:+.2f}°C → نیازی به جایگزینی ندارد.")
+    
+    scene_deltaT = sum([info["share"] * info["deltaT"] for info in material_info.values()])
+    recommendations.append(f"ΔT میانگین وزنی کل صحنه: {scene_deltaT:+.2f}°C")
+    recommendations.append(f"دمای مؤثر سطح: {T_air + scene_deltaT:.2f}°C")
+    
+    return "\n".join(recommendations)
 
-# ==============================
-# 🎯 تابع اصلی تحلیل
-# ==============================
-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 اعتماد 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
-# ==============================
-demo = gr.Interface(
+# ============================== (راه‌اندازی رابط Gradio)
+iface = gr.Interface(
     fn=analyze_image,
     inputs=[
-        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)")
+        gr.Image(type="pil", label="آپلود تصویر"),
+        gr.Number(value=32.0, label="دمای هوا T_air (°C)"),
+        gr.Number(value=40, label="رطوبت نسبی RH (%)"),
+        gr.Number(value=2.0, label="سرعت باد u (m/s)"),
+        gr.Number(value=700, label="تابش خورشیدی S (W/m²)")
     ],
-    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 ح��ارتی پیشنهاد می‌دهد.""",
-    allow_flagging="never"
+    outputs=gr.Textbox(label="خروجی ΔT و توصیه‌ها"),
+    title="تحلیل مصالح و ΔT سطحی",
+    description="آپلود تصویر ساختمان/محیط → نمایش ΔT مصالح و توصیه جایگزینی منطقی."
 )
 
-if __name__ == "__main__":
-    demo.launch(share=True, server_name="0.0.0.0", server_port=7860)
+iface.launch()