Create app.py

app.py

@@ -0,0 +1,187 @@
+import cv2
+import numpy as np
+import gradio as gr
+from skimage.filters import threshold_sauvola
+from skimage.morphology import opening, closing, disk
+
+def preprocess_image(image):
+    """
+    Görüntüyü gri tonlamaya dönüştürür ve gürültüyü azaltmak için
+    Gauss bulanıklığı uygular.
+
+    Args:
+        image: İşlenecek renkli görüntü.
+
+    Returns:
+        Gri tonlamalı ve bulanıklaştırılmış görüntü.
+    """
+    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+    blur = cv2.GaussianBlur(gray, (5, 5), 0)
+    return blur
+
+def sauvola_thresholding(image):
+    """
+    Görüntüye Sauvola eşikleme algoritmasını [1] uygular ve
+    negatifini alır.
+
+    Args:
+        image: Eşiklenecek gri tonlamalı görüntü.
+
+    Returns:
+        Eşiklenmiş ikili görüntü.
+
+    Referanslar:
+    [1] Sauvola, J., and Pietikäinen, M. (2000). Adaptive document image
+        binarization. Pattern recognition, 33(2), 225-236.
+    """
+    thresh_sauvola = threshold_sauvola(image, window_size=25)
+    binary_sauvola = image > thresh_sauvola
+    binary_sauvola = np.invert(binary_sauvola)
+    return (binary_sauvola.astype(np.uint8) * 255).astype(np.uint8)
+
+def morphological_operations(image):
+    """
+    Görüntüye morfolojik açma ve kapama işlemlerini [2] uygular.
+
+    Args:
+        image: İşlenecek ikili görüntü.
+
+    Returns:
+        Açma ve kapama işlemleri uygulanmış görüntü.
+
+    Referanslar:
+    [2] Gonzalez, R. C., Woods, R. E., and Eddins, S. L. (2004). Digital
+        image processing using MATLAB. Pearson Education India.
+    """
+    selem = disk(2)  # Yapılandırıcı eleman
+    opened = opening(image, selem)
+    closed = closing(opened, selem)
+    return closed
+
+def detect_defect(image, area_threshold=50):
+    """
+    Kaynak dikişindeki kusurları tespit etmek için kontur analizi [3]
+    kullanır ve kontur alanına göre filtreleme yapar.
+
+    Args:
+        image: Kusur tespiti yapılacak ikili görüntü.
+        area_threshold: Kusur olarak kabul edilecek minimum kontur alanı.
+
+    Returns:
+        Kusur tespit sonucu ("Kusur tespit edildi" veya "Kusur tespit edilmedi")
+        ve tespit edilen kusurların konturları (varsa).
+
+    Referanslar:
+    [3] Suzuki, S. (1985). Topological structural analysis of digitized
+        binary images by border following. Computer vision, graphics, and
+        image processing, 30(1), 32-46.
+    """
+    contours, _ = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+    defects = [cnt for cnt in contours if cv2.contourArea(cnt) > area_threshold]
+    if len(defects) > 0:
+        return "Kusur tespit edildi", defects
+    return "Kusur tespit edilmedi", None
+
+def threshold_yenileri(image, threshold_method="sauvola"):
+    """
+    Farklı eşikleme yöntemlerini uygular.
+
+    Args:
+        image: Eşiklenecek gri tonlamalı görüntü.
+        threshold_method: Kullanılacak eşikleme yöntemi ("sauvola", "adaptive" veya "sauvola_adaptive").
+
+    Returns:
+        Eşiklenmiş ikili görüntü.
+    """
+    if threshold_method == "sauvola":
+        return sauvola_thresholding(image)
+    elif threshold_method == "adaptive":
+        thresholded = cv2.adaptiveThreshold(
+            image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
+        )
+        return cv2.bitwise_not(thresholded)
+    elif threshold_method == "sauvola_adaptive":
+        # Sauvola ile eşikleme yap
+        sauvola_thresh = sauvola_thresholding(image)
+        # Adaptive eşikleme yap ve tersini al
+        adaptive_thresh = cv2.adaptiveThreshold(
+            image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2
+        )
+        adaptive_thresh = cv2.bitwise_not(adaptive_thresh)
+        # İki sonucu birleştir (mantıksal VEYA işlemi)
+        combined_thresh = cv2.bitwise_or(sauvola_thresh, adaptive_thresh)
+        return combined_thresh
+    else:
+        raise ValueError("Geçersiz eşikleme yöntemi.")
+
+def predict(image, area_threshold=50, threshold_method="sauvola"):
+    """
+    Verilen görüntünün kaynak dikişindeki kusurları tahmin eder.
+
+    Args:
+        image: İşlenecek kaynak görüntüsü.
+        area_threshold: Kusur olarak kabul edilecek minimum kontur alanı.
+        threshold_method: Kullanılacak eşikleme yöntemi ("sauvola", "adaptive" veya "sauvola_adaptive").
+
+    Returns:
+        İşlem çıktıları (gri tonlamalı, eşiklenmiş, bölümlenmiş ve kusurlar
+        vurgulanmış görüntüler) ve kusur tespit sonucu.
+    """
+    processed_image = preprocess_image(image)
+    thresholded_image = threshold_yenileri(processed_image, threshold_method)
+    segmented_image = morphological_operations(thresholded_image)
+    result, defects = detect_defect(segmented_image, area_threshold)
+
+    if defects is not None:
+        for defect in defects:
+            cv2.drawContours(image, [defect], -1, (0, 0, 255), 2)
+
+    image_outputs = [
+        (processed_image, "Gri Tonlamalı Görüntü"),
+        (thresholded_image, "Eşiklenmiş Görüntü"),
+        (segmented_image, "Açma ve Kapama ile Bölümlenmiş Görüntü"),
+        (image, "Kusurlar Vurgulanmış Görüntü"),
+    ]
+
+    return image_outputs, result
+
+# Gradio arayüzü
+demo = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Image(type="numpy"),
+        gr.Slider(
+            minimum=10,
+            maximum=500,
+            value=50,
+            step=10,
+            label="Kontur Alan Eşiği",
+        ),
+        gr.Dropdown(
+            choices=["sauvola", "adaptive", "sauvola_adaptive"],
+            value="sauvola",
+            label="Eşikleme Yöntemi",
+        ),
+    ],
+    outputs=[
+        gr.Gallery(
+            label="İşlem Çıktıları",
+            show_label=True,
+            elem_id="gallery",
+            columns=[1],
+            object_fit="contain",
+            height="auto",
+        ),
+        gr.Textbox(label="Sonuç"),
+    ],
+    examples=[
+        ["W0001_0000.png", 50, "sauvola"],
+        ["W0001_0001.png", 100, "adaptive"],
+        ["W0001_0002.png", 75, "sauvola_adaptive"],
+    ],
+    title="Kaynak Kusur Tespit Uygulaması",
+    description="Bir kaynak görüntüsü yükleyin ve kusur olup olmadığını kontrol edin.",
+)
+
+if __name__ == "__main__":
+    demo.launch()