Spaces:

pjsr
/

wings_length

Sleeping

Update test.py

341043e verified 3 months ago

23.1 kB

import gradio as gr
from ultralytics import YOLO
import torch
import cv2
import numpy as np
import os
import re
import math
import pandas as pd
from datetime import datetime

# ===========================================================================
# ESCALA IMPRESSA + RECORTE DA ASA  (antes em asa_lib.py, agora integrado)
# ===========================================================================
try:
    import pytesseract
    OCR_DISPONIVEL = True
except Exception:
    OCR_DISPONIVEL = False

# ===========================================================================
# 1) ESCALA
# ===========================================================================

_UNIT_MM = {"mm": 1.0, "cm": 10.0, "um": 1e-3, "µm": 1e-3, "μm": 1e-3, "nm": 1e-6}
_WL = "0123456789.,mµumcn "
# largura plausível do campo de visão (mm) — usada para desempatar leituras
# ambíguas do OCR, ex. "1 mm" lido como "1 um" (m e u confundem-se).
_LARGURA_MM_MIN, _LARGURA_MM_MAX = 0.5, 2000.0


def _valor_mm(texto):
    """(valor_mm, tem_decimal, match) ou (None, False, None)."""
    if not texto:
        return None, False, None
    t = texto.lower().replace(",", ".").replace("μ", "µ")
    m = (re.search(r"(\d+(?:\.\d+)?)\s*(mm|cm|µm|um|nm)\b", t)
         or re.search(r"(\d+(?:\.\d+)?)\s*(mm|cm|µm|um|nm)", t))
    if not m:
        return None, False, None
    num = m.group(1)
    return float(num) * _UNIT_MM.get(m.group(2), 1.0), ("." in num), m.group(0)


def _ampliar(gray, alvo_h=170):
    h = max(1, gray.shape[0])
    f = min(10.0, max(2.0, alvo_h / h))
    return cv2.resize(gray, None, fx=f, fy=f, interpolation=cv2.INTER_CUBIC)


def _ocr(im, psm):
    """(texto, confiança_média) usando image_to_data."""
    cfg = f"--psm {psm} -c tessedit_char_whitelist={_WL}"
    d = pytesseract.image_to_data(im, config=cfg, output_type=pytesseract.Output.DICT)
    palavras, confs = [], []
    for i, t in enumerate(d["text"]):
        t = t.strip()
        if not t:
            continue
        palavras.append(t)
        try:
            c = float(d["conf"][i])
        except (TypeError, ValueError):
            c = -1.0
        if c >= 0:
            confs.append(c)
    return " ".join(palavras), (float(np.mean(confs)) if confs else 1.0)


def _candidatos_valor(crop_bgr, verbose=None):
    """Recolhe leituras do rótulo -> {valor: [peso, tem_decimal]}."""
    if not OCR_DISPONIVEL or crop_bgr is None or crop_bgr.size == 0:
        return {}
    gray = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2GRAY)
    big = _ampliar(gray)
    _, otsu = cv2.threshold(big, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    nit = cv2.morphologyEx(otsu, cv2.MORPH_CLOSE, np.ones((2, 2), np.uint8))
    cands = {}
    for im in (otsu, big, nit):
        for psm in (7, 6, 8, 11, 13):
            try:
                raw, conf = _ocr(im, psm)
            except Exception:
                continue
            v, dec, _ = _valor_mm(raw)
            if verbose is not None and raw:
                verbose.append(f"        OCR '{raw}' (conf {conf:.0f}) -> {v}")
            if v is None:
                continue
            e = cands.setdefault(v, [0.0, False])
            e[0] += max(conf, 1.0)
            e[1] = e[1] or dec
    return cands


def _escolher_valor(cands, barra_px, largura_img):
    """Escolhe o valor mais credível: prefere leituras fisicamente plausíveis,
    depois com decimal, depois com maior peso (confiança acumulada)."""
    if not cands:
        return None, None
    def plausivel(v):
        if not barra_px or not largura_img:
            return True
        larg_mm = largura_img * (v / barra_px)
        return _LARGURA_MM_MIN <= larg_mm <= _LARGURA_MM_MAX
    itens = [(v, p, d, plausivel(v)) for v, (p, d) in cands.items()]
    ok = [i for i in itens if i[3]] or itens
    ok.sort(key=lambda i: (i[2], i[1]), reverse=True)   # decimal, depois peso
    escolhido = ok[0][0]
    nota = "plausível" if ok[0][3] else "sem candidato plausível"
    if len(itens) > 1:
        nota += f" (de {len(itens)} leituras: {sorted(v for v, _, _, _ in itens)})"
    return escolhido, nota


def _candidatos_barra(img_bgr):
    h, w = img_bgr.shape[:2]
    gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
    _, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    num, _, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
    cands = []
    for i in range(1, num):
        x, y, ww, hh, area = stats[i]
        if hh == 0 or ww < 25 or ww > 0.6 * w or (ww / hh) < 5:
            continue
        m = 8
        viz = gray[max(0, y - hh - m):min(h, y + 2 * hh + m),
                   max(0, x - m):min(w, x + ww + m)]
        if viz.size == 0 or np.mean(viz) < 180:
            continue
        cands.append((int(x), int(y), int(ww), int(hh)))
    cands.sort(key=lambda b: (b[0] + b[2]) + b[1], reverse=True)
    return cands


def _rotulo_da_barra(img_bgr, bar, verbose=None):
    x, y, ww, hh = bar
    H, W = img_bgr.shape[:2]
    banda = int(max(45, 0.6 * ww))
    px = int(0.3 * ww)
    x1, x2 = max(0, x - px), min(W, x + ww + px)
    todos = {}
    for onde, yy1, yy2 in (("acima", max(0, y - banda), y),
                           ("abaixo", y + hh, min(H, y + hh + banda))):
        if yy2 - yy1 < 6:
            continue
        if verbose is not None:
            verbose.append(f"      rótulo {onde} da barra @({x},{y},{ww},{hh}):")
        c = _candidatos_valor(img_bgr[yy1:yy2, x1:x2], verbose)
        for v, (p, d) in c.items():
            e = todos.setdefault(v, [0.0, False])
            e[0] += p
            e[1] = e[1] or d
        if todos:
            break
    return todos


def _bar_bbox_em_roi(img_bgr, x1, y1, x2, y2):
    roi = img_bgr[y1:y2, x1:x2]
    if roi.size == 0:
        return None
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    _, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    num, _, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
    best = (0, None)
    for i in range(1, num):
        bx, by, bwd, bht, _ = stats[i]
        if bht and (bwd / bht) >= 4 and bwd >= 0.15 * roi.shape[1] and bwd > best[0]:
            best = (bwd, (x1 + bx, y1 + by, bwd, bht))
    return best[1]


def _medir_barra_precisa(img_bgr, bbox, pad=3):
    """Distância CENTRO-A-CENTRO das serifas (remove o viés da espessura das
    marcas); se não houver serifas nítidas, largura da bounding box.
    -> (comprimento_px, metodo, largura_bbox_px, centros)"""
    x, y, w, h = bbox
    H, W = img_bgr.shape[:2]
    x1, y1 = max(0, x - pad), max(0, y - pad)
    x2, y2 = min(W, x + w + pad), min(H, y + h + pad)
    gray = cv2.cvtColor(img_bgr[y1:y2, x1:x2], cv2.COLOR_BGR2GRAY)
    _, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    num, lab, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
    if num <= 1:
        return float(w), "bounding-box", float(w), None
    idx = 1 + int(np.argmax(stats[1:, cv2.CC_STAT_AREA]))
    mask = (lab == idx).astype(np.uint8)
    cols = np.where(mask.any(axis=0))[0]
    if cols.size == 0:
        return float(w), "bounding-box", float(w), None
    largura_bbox = float(cols.max() - cols.min() + 1)
    alt = mask.sum(axis=0)[cols]
    linha_th, max_h = float(np.median(alt)), float(alt.max())
    if max_h < 2 * max(linha_th, 1) or (max_h - linha_th) < 2:
        return largura_bbox, "bounding-box", largura_bbox, None
    altas = cols[alt >= linha_th + 0.5 * (max_h - linha_th)]
    if altas.size < 2:
        return largura_bbox, "bounding-box", largura_bbox, None
    g = int(np.argmax(np.diff(altas)))
    esq, dire = altas[:g + 1], altas[g + 1:]
    if esq.size == 0 or dire.size == 0 or (dire.min() - esq.max()) < 0.3 * largura_bbox:
        return largura_bbox, "bounding-box", largura_bbox, None
    cxe, cxd = float(esq.mean()), float(dire.mean())
    return (cxd - cxe), "centro-a-centro", largura_bbox, \
           (int(x1 + cxe), int(x1 + cxd), int((y1 + y2) // 2))


def detectar_escala(img_bgr, debug=False, verbose=None):
    """mm por pixel a partir da escala impressa (ou None)."""
    H, W = img_bgr.shape[:2]
    cands, bar_bbox, origem = {}, None, None

    if OCR_DISPONIVEL:
        try:
            for bar in _candidatos_barra(img_bgr):       # 1) barra-primeiro
                if verbose is not None:
                    verbose.append(f"    candidato barra @{bar}")
                c = _rotulo_da_barra(img_bgr, bar, verbose)
                if c:
                    cands, bar_bbox, origem = c, bar, "barra-primeiro"
                    break
            if not cands:                                 # 2) ROI fundo-direita
                roi = img_bgr[int(H * 0.80):, int(W * 0.55):]
                c = _candidatos_valor(roi, verbose)
                if c:
                    cands, origem = c, "roi-fundo"
        except Exception:
            pass

    if bar_bbox is None:
        bar_bbox = _bar_bbox_em_roi(img_bgr, int(W * 0.55), int(H * 0.80), W, H)

    barra_px = metodo = barra_bbox_px = centros = None
    if bar_bbox is not None:
        barra_px, metodo, barra_bbox_px, centros = _medir_barra_precisa(img_bgr, bar_bbox)

    valor_mm, nota = _escolher_valor(cands, barra_px, W)
    mm_por_pixel = (valor_mm / barra_px
                    if (valor_mm and barra_px and barra_px > 0) else None)
    if debug:
        return mm_por_pixel, {"valor_mm": valor_mm, "nota": nota, "barra_px": barra_px,
                              "barra_bbox_px": barra_bbox_px, "metodo_barra": metodo,
                              "mm_por_pixel": mm_por_pixel, "bar_bbox": bar_bbox,
                              "serif_centros": centros, "origem": origem}
    return mm_por_pixel


# ===========================================================================
# 2) RECORTE DA ASA (grande plano)
# ===========================================================================

def _superficie_fundo(sub, fg, passo=4):
    """Superfície quadrática ajustada ao fundo (corrige iluminação irregular)."""
    H, W = sub.shape
    ys, xs = np.nonzero(~fg[::passo, ::passo])
    if ys.size < 200:
        return np.full_like(sub, float(np.percentile(sub, 80)))
    ys, xs = ys * passo, xs * passo
    z = sub[ys, xs].astype(np.float64)
    xn, yn = xs / max(W - 1, 1), ys / max(H - 1, 1)
    A = np.stack([np.ones_like(xn), xn, yn, xn * xn, yn * yn, xn * yn], axis=1)
    coef, *_ = np.linalg.lstsq(A, z, rcond=None)
    gy, gx = np.mgrid[0:H, 0:W]
    gxn, gyn = gx / max(W - 1, 1), gy / max(H - 1, 1)
    return (coef[0] + coef[1] * gxn + coef[2] * gyn + coef[3] * gxn * gxn +
            coef[4] * gyn * gyn + coef[5] * gxn * gyn).astype(np.float32)


def _mascara_especime(img_bgr, delta=None):
    gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
    sub = cv2.GaussianBlur(gray, (0, 0), 2.0).astype(np.float32)
    nivel = float(np.percentile(sub, 80))
    fg = (nivel - sub) > max(3.0, 0.02 * nivel)
    for _ in range(2):
        fundo = _superficie_fundo(sub, fg)
        res = fundo - sub
        bg = res[~fg]
        if bg.size:
            mad = float(np.median(np.abs(bg - np.median(bg))))
            d = delta if delta is not None else max(3.0, 5.0 * mad)
        else:
            d = delta if delta is not None else 3.0
        fg = res > d
    m = fg.astype(np.uint8)
    k = max(3, (int(0.004 * max(img_bgr.shape[:2])) | 1))
    m = cv2.morphologyEx(m, cv2.MORPH_CLOSE, np.ones((k, k), np.uint8))
    m = cv2.morphologyEx(m, cv2.MORPH_OPEN, np.ones((3, 3), np.uint8))
    return m


def recortar_asa(img_bgr, margem=0.06, limpar_fundo=True, dilatar=0.02):
    """Recorta a asa em grande plano e uniformiza o fundo à volta.
    Normaliza a entrada do modelo: a asa passa a ocupar sempre a mesma fração do
    enquadramento e artefactos (pó, 2ª asa, brilho do fundo) desaparecem — o que
    evita que a segmentação varie alguns pixels entre fotos da mesma asa.
    Devolve (crop_bgr, (x0, y0), info). Em caso de falha devolve a imagem
    original e (0, 0), para o pipeline continuar a funcionar.
    """
    H, W = img_bgr.shape[:2]
    info = {"ok": False, "bbox": None, "crop_box": None, "area_frac": None, "motivo": None}

    mask = _mascara_especime(img_bgr)
    cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if not cnts:
        info["motivo"] = "sem contorno"
        return img_bgr, (0, 0), info

    cnt = max(cnts, key=cv2.contourArea)
    cheia = np.zeros_like(mask)
    cv2.drawContours(cheia, [cnt], -1, 1, thickness=-1)      # preenche a asa toda

    x, y, w, h = cv2.boundingRect(cnt)
    area_frac = float(cheia.sum()) / (H * W)
    if w < 0.15 * W or h < 0.10 * H or area_frac < 0.02:
        info["motivo"] = f"objeto pequeno demais (w={w}, h={h}, área={area_frac:.3f})"
        return img_bgr, (0, 0), info

    img = img_bgr
    if limpar_fundo:
        d = max(3, int(dilatar * max(w, h)) | 1)
        sup = cv2.dilate(cheia, np.ones((d, d), np.uint8))
        val = int(round(float(np.percentile(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY), 80))))
        img = img_bgr.copy()
        img[sup == 0] = val

    m = int(margem * max(w, h))
    x0, y0 = max(0, x - m), max(0, y - m)
    x1, y1 = min(W, x + w + m), min(H, y + h + m)
    info.update(ok=True, bbox=(int(x), int(y), int(w), int(h)),
                crop_box=(int(x0), int(y0), int(x1), int(y1)), area_frac=area_frac)
    return img[y0:y1, x0:x1], (x0, y0), info

# Caminho para o modelo treinado
modelo_path = "runs/segment/meu_yolo_seg20/weights/best.pt"

model_cache = {}

def carregar_modelo(device):
    if device not in model_cache:
        model = YOLO(modelo_path)
        model.to(device)
        model_cache[device] = model
    return model_cache[device]

def contar_pixels_conexos(mask, minimo):
    bin_mask = (mask > 0).astype(np.uint8)
    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(bin_mask)
    return sum(stat[cv2.CC_STAT_AREA] for stat in stats[1:] if stat[cv2.CC_STAT_AREA] >= minimo)

def calcular_distancia(p1, p2):
    return math.sqrt((p1[0] - p2[0])**2 + (p1[1] - p2[1])**2)


def mascaras_da_predicao(r, cw, ch, metodo="auto"):
    """Máscaras binárias nas coordenadas da imagem dada ao modelo (cw x ch).
    metodo="auto"   -> usa `masks.xy` (polígonos já em coordenadas da imagem de
                       entrada). Evita o erro do letterbox: `masks.data` vem no
                       tamanho interno do YOLO, com barras de padding, e
                       redimensioná-lo desloca as máscaras de forma que depende
                       do rácio de aspeto (logo, varia de foto para foto).
    metodo="legado" -> comportamento original (redimensiona `masks.data`).
    """
    if r.masks is None:
        return []
    saida = []

    if metodo != "legado":
        xy = getattr(r.masks, "xy", None)
        if xy is not None and len(xy):
            for poly in xy:
                if poly is None or len(poly) < 3:
                    continue
                m = np.zeros((ch, cw), np.uint8)
                cv2.fillPoly(m, [np.asarray(poly, dtype=np.int32)], 1)
                if m.any():
                    saida.append(m)
            if saida:
                return saida

    dados = getattr(r.masks, "data", None)
    if dados is None:
        return []
    for mask in dados:
        m = mask.cpu().numpy().astype(np.float32) if hasattr(mask, "cpu") else np.asarray(mask, np.float32)
        m = cv2.resize(m, (cw, ch), interpolation=cv2.INTER_LINEAR)
        saida.append((m > 0.5).astype(np.uint8))
    return saida


def processar_uma_imagem(imagem_path, dispositivo, conf_min, pixels_minimos,
                         usar_recorte=True, limpar_fundo=False, metodo_mascara="auto"):
    device = "cuda" if dispositivo == "GPU" and torch.cuda.is_available() else "cpu"
    model = carregar_modelo(device)

    img_bgr = cv2.imread(imagem_path)
    if img_bgr is None:
        return None, None, None, None, "erro ao ler", "-"

    # --- escala: SEMPRE na imagem completa (a barra fica fora do recorte) ---
    mm_por_pixel, escala_info = detectar_escala(img_bgr, debug=True)

    # --- recorte da asa em grande plano (normaliza a entrada do modelo) ---
    if usar_recorte:
        entrada, (off_x, off_y), rec_info = recortar_asa(img_bgr, limpar_fundo=limpar_fundo)
    else:
        entrada, (off_x, off_y), rec_info = img_bgr, (0, 0), {"ok": False, "motivo": "desligado"}

    results = model.predict(source=entrada, device=device, conf=conf_min, verbose=False)
    r = results[0]

    img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
    ch, cw = entrada.shape[:2]

    # --- máscaras (em coordenadas do recorte) ---
    mascaras_binarias = []
    for m in mascaras_da_predicao(r, cw, ch, metodo_mascara):
        if contar_pixels_conexos(m * 255, pixels_minimos) > 0:
            mascaras_binarias.append(m)

    mascaras_fundidas = []
    for m in mascaras_binarias:
        fundida = False
        for i in range(len(mascaras_fundidas)):
            if np.count_nonzero(cv2.bitwise_and(m, mascaras_fundidas[i])) > 0:
                mascaras_fundidas[i] = cv2.bitwise_or(mascaras_fundidas[i], m)
                fundida = True
                break
        if not fundida:
            mascaras_fundidas.append(m)

    # --- centróides em float, convertidos para coordenadas da imagem original ---
    centroides = []
    for m in mascaras_fundidas:
        M = cv2.moments(m)
        if M["m00"] != 0:
            cx = M["m10"] / M["m00"] + off_x      # float: não arredondar aqui
            cy = M["m01"] / M["m00"] + off_y
            centroides.append((cx, cy))
            cv2.circle(img_rgb, (int(round(cx)), int(round(cy))), 12, (0, 255, 0), 2)

    distancia_px = None
    distancia_mm = None
    if len(centroides) == 2:
        p1 = (int(round(centroides[0][0])), int(round(centroides[0][1])))
        p2 = (int(round(centroides[1][0])), int(round(centroides[1][1])))
        cv2.line(img_rgb, p1, p2, (0, 0, 255), 2)
        for p in (p1, p2):
            cv2.circle(img_rgb, p, 6, (0, 0, 255), -1)
        distancia_px = calcular_distancia(centroides[0], centroides[1])   # float
        if mm_por_pixel:
            distancia_mm = distancia_px * mm_por_pixel

    # --- textos informativos ---
    if escala_info["valor_mm"] and escala_info["barra_px"]:
        met = "c2c" if escala_info["metodo_barra"] == "centro-a-centro" else "bbox"
        escala_str = f"{escala_info['valor_mm']:g} mm / {escala_info['barra_px']:.0f} px ({met})"
    else:
        escala_str = "não detetada"

    if rec_info.get("ok"):
        bx, by, bw, bh = rec_info["bbox"]
        recorte_str = f"{bw}x{bh} px"
    else:
        recorte_str = f"sem recorte ({rec_info.get('motivo', '-')})"

    nome = os.path.basename(imagem_path)
    output_path = os.path.splitext(nome)[0] + "_out.png"
    cv2.imwrite(output_path, cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR))

    return output_path, nome, distancia_px, distancia_mm, escala_str, recorte_str


def processar_varias(imagens, dispositivo, conf_min, pixels_minimos,
                     usar_recorte=True, limpar_fundo=False, metodo_mascara="auto"):
    # sem imagens (ex.: alternar a opção antes de carregar ficheiros)
    if not imagens:
        vazio = pd.DataFrame({"Imagem": [], "Escala (real)": [], "Asa recortada": [],
                              "Distância (px)": [], "Distância (mm)": []})
        return [], vazio, pd.DataFrame({"Métrica": [], "Valor (mm)": []}), None

    imagens_resultado = []
    nomes, pxs, mms, escalas, recortes = [], [], [], [], []

    for imagem in imagens:
        out_path, nome, dist_px, dist_mm, escala_str, recorte_str = processar_uma_imagem(
            imagem, dispositivo, conf_min, pixels_minimos, usar_recorte,
            limpar_fundo, metodo_mascara)
        imagens_resultado.append(out_path)
        nomes.append(nome)
        pxs.append(f"{dist_px:.1f}" if dist_px else "-")
        mms.append(f"{dist_mm:.3f}" if dist_mm else "-")
        escalas.append(escala_str)
        recortes.append(recorte_str)

    valores_mm = [float(x) for x in mms if x != "-"]
    media = np.mean(valores_mm) if valores_mm else 0
    desvio = np.std(valores_mm) if valores_mm else 0

    tabela = pd.DataFrame({
        "Imagem": nomes,
        "Escala (real)": escalas,
        "Asa recortada": recortes,
        "Distância (px)": pxs,
        "Distância (mm)": mms,
    })
    resumo_df = pd.DataFrame({"Métrica": ["Média", "Desvio padrão"],
                              "Valor (mm)": [f"{media:.3f}", f"{desvio:.3f}"]})

    agora = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
    resultados_xlsx_path = f"resultados_medidas_{agora}.xlsx"
    with pd.ExcelWriter(resultados_xlsx_path) as writer:
        tabela.to_excel(writer, sheet_name="Resultados", index=False)
        resumo_df.to_excel(writer, sheet_name="Resumo", index=False)

    pasta_saida = f"imagens_processadas_{agora}"
    os.makedirs(pasta_saida, exist_ok=True)
    for img_path in imagens_resultado:
        os.replace(img_path, os.path.join(pasta_saida, os.path.basename(img_path)))
    imagens_resultado = [os.path.join(pasta_saida, os.path.basename(p)) for p in imagens_resultado]
    legendas = [f"{n} - {m} mm" for n, m in zip(nomes, mms)]

    return list(zip(imagens_resultado, legendas)), tabela, resumo_df, resultados_xlsx_path


# Interface Gradio
with gr.Blocks(title="Medição de asas múltiplas") as demo:
    gr.Markdown("## Medição automática de asas de abelha com normalização à escala impressa")

    imagens_input = gr.File(label="Subir imagens", file_types=[".png", ".jpg", ".jpeg"], file_count="multiple")

    dispositivo = gr.Radio(["CPU", "GPU"], label="Dispositivo", value="CPU", visible=False)
    conf_slider = gr.Slider(0.01, 1.0, value=0.1, step=0.01, label="Confiança mínima", visible=False)
    pixel_slider = gr.Slider(1, 1000, value=10, step=1, label="Pixels conectados mínimos por máscara", visible=False)

    imagens_saida = gr.Gallery(label="Resultados das imagens segmentadas", columns=4, preview=True, show_label=True)
    tabela_resultados = gr.Dataframe(label="Resultados", interactive=False,
                                     headers=["Imagem", "Escala (real)", "Asa recortada",
                                              "Distância (px)", "Distância (mm)"])
    tabela_resumo = gr.Dataframe(label="Resumo estatístico", interactive=False, headers=["Métrica", "Valor (mm)"])
    download_btn = gr.File(label="Download XLSX")

    imagens_input.change(
        # fixo: máscaras em "auto" (masks.xy), recorte da asa ligado,
        # sem uniformizar o fundo (isso descaracteriza a imagem e o modelo falha)
        fn=lambda imagens: processar_varias(imagens, "CPU", 0.1, 10,
                                            usar_recorte=True,
                                            limpar_fundo=False,
                                            metodo_mascara="auto"),
        inputs=imagens_input,
        outputs=[imagens_saida, tabela_resultados, tabela_resumo, download_btn]
    )

if __name__ == "__main__":
    demo.launch(share=False)

	import gradio as gr
	from ultralytics import YOLO
	import torch
	import cv2
	import numpy as np
	import os
	import re
	import math
	import pandas as pd
	from datetime import datetime

	# ===========================================================================
	# ESCALA IMPRESSA + RECORTE DA ASA (antes em asa_lib.py, agora integrado)
	# ===========================================================================
	try:
	import pytesseract
	OCR_DISPONIVEL = True
	except Exception:
	OCR_DISPONIVEL = False

	# ===========================================================================
	# 1) ESCALA
	# ===========================================================================

	_UNIT_MM = {"mm": 1.0, "cm": 10.0, "um": 1e-3, "µm": 1e-3, "μm": 1e-3, "nm": 1e-6}
	_WL = "0123456789.,mµumcn "
	# largura plausível do campo de visão (mm) — usada para desempatar leituras
	# ambíguas do OCR, ex. "1 mm" lido como "1 um" (m e u confundem-se).
	_LARGURA_MM_MIN, _LARGURA_MM_MAX = 0.5, 2000.0


	def _valor_mm(texto):
	"""(valor_mm, tem_decimal, match) ou (None, False, None)."""
	if not texto:
	return None, False, None
	t = texto.lower().replace(",", ".").replace("μ", "µ")
	m = (re.search(r"(\d+(?:\.\d+)?)\s*(mm\|cm\|µm\|um\|nm)\b", t)
	or re.search(r"(\d+(?:\.\d+)?)\s*(mm\|cm\|µm\|um\|nm)", t))
	if not m:
	return None, False, None
	num = m.group(1)
	return float(num) * _UNIT_MM.get(m.group(2), 1.0), ("." in num), m.group(0)


	def _ampliar(gray, alvo_h=170):
	h = max(1, gray.shape[0])
	f = min(10.0, max(2.0, alvo_h / h))
	return cv2.resize(gray, None, fx=f, fy=f, interpolation=cv2.INTER_CUBIC)


	def _ocr(im, psm):
	"""(texto, confiança_média) usando image_to_data."""
	cfg = f"--psm {psm} -c tessedit_char_whitelist={_WL}"
	d = pytesseract.image_to_data(im, config=cfg, output_type=pytesseract.Output.DICT)
	palavras, confs = [], []
	for i, t in enumerate(d["text"]):
	t = t.strip()
	if not t:
	continue
	palavras.append(t)
	try:
	c = float(d["conf"][i])
	except (TypeError, ValueError):
	c = -1.0
	if c >= 0:
	confs.append(c)
	return " ".join(palavras), (float(np.mean(confs)) if confs else 1.0)


	def _candidatos_valor(crop_bgr, verbose=None):
	"""Recolhe leituras do rótulo -> {valor: [peso, tem_decimal]}."""
	if not OCR_DISPONIVEL or crop_bgr is None or crop_bgr.size == 0:
	return {}
	gray = cv2.cvtColor(crop_bgr, cv2.COLOR_BGR2GRAY)
	big = _ampliar(gray)
	_, otsu = cv2.threshold(big, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
	nit = cv2.morphologyEx(otsu, cv2.MORPH_CLOSE, np.ones((2, 2), np.uint8))
	cands = {}
	for im in (otsu, big, nit):
	for psm in (7, 6, 8, 11, 13):
	try:
	raw, conf = _ocr(im, psm)
	except Exception:
	continue
	v, dec, _ = _valor_mm(raw)
	if verbose is not None and raw:
	verbose.append(f" OCR '{raw}' (conf {conf:.0f}) -> {v}")
	if v is None:
	continue
	e = cands.setdefault(v, [0.0, False])
	e[0] += max(conf, 1.0)
	e[1] = e[1] or dec
	return cands


	def _escolher_valor(cands, barra_px, largura_img):
	"""Escolhe o valor mais credível: prefere leituras fisicamente plausíveis,
	depois com decimal, depois com maior peso (confiança acumulada)."""
	if not cands:
	return None, None
	def plausivel(v):
	if not barra_px or not largura_img:
	return True
	larg_mm = largura_img * (v / barra_px)
	return _LARGURA_MM_MIN <= larg_mm <= _LARGURA_MM_MAX
	itens = [(v, p, d, plausivel(v)) for v, (p, d) in cands.items()]
	ok = [i for i in itens if i[3]] or itens
	ok.sort(key=lambda i: (i[2], i[1]), reverse=True) # decimal, depois peso
	escolhido = ok[0][0]
	nota = "plausível" if ok[0][3] else "sem candidato plausível"
	if len(itens) > 1:
	nota += f" (de {len(itens)} leituras: {sorted(v for v, _, _, _ in itens)})"
	return escolhido, nota


	def _candidatos_barra(img_bgr):
	h, w = img_bgr.shape[:2]
	gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
	_, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
	num, _, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
	cands = []
	for i in range(1, num):
	x, y, ww, hh, area = stats[i]
	if hh == 0 or ww < 25 or ww > 0.6 * w or (ww / hh) < 5:
	continue
	m = 8
	viz = gray[max(0, y - hh - m):min(h, y + 2 * hh + m),
	max(0, x - m):min(w, x + ww + m)]
	if viz.size == 0 or np.mean(viz) < 180:
	continue
	cands.append((int(x), int(y), int(ww), int(hh)))
	cands.sort(key=lambda b: (b[0] + b[2]) + b[1], reverse=True)
	return cands


	def _rotulo_da_barra(img_bgr, bar, verbose=None):
	x, y, ww, hh = bar
	H, W = img_bgr.shape[:2]
	banda = int(max(45, 0.6 * ww))
	px = int(0.3 * ww)
	x1, x2 = max(0, x - px), min(W, x + ww + px)
	todos = {}
	for onde, yy1, yy2 in (("acima", max(0, y - banda), y),
	("abaixo", y + hh, min(H, y + hh + banda))):
	if yy2 - yy1 < 6:
	continue
	if verbose is not None:
	verbose.append(f" rótulo {onde} da barra @({x},{y},{ww},{hh}):")
	c = _candidatos_valor(img_bgr[yy1:yy2, x1:x2], verbose)
	for v, (p, d) in c.items():
	e = todos.setdefault(v, [0.0, False])
	e[0] += p
	e[1] = e[1] or d
	if todos:
	break
	return todos


	def _bar_bbox_em_roi(img_bgr, x1, y1, x2, y2):
	roi = img_bgr[y1:y2, x1:x2]
	if roi.size == 0:
	return None
	gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
	_, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
	num, _, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
	best = (0, None)
	for i in range(1, num):
	bx, by, bwd, bht, _ = stats[i]
	if bht and (bwd / bht) >= 4 and bwd >= 0.15 * roi.shape[1] and bwd > best[0]:
	best = (bwd, (x1 + bx, y1 + by, bwd, bht))
	return best[1]


	def _medir_barra_precisa(img_bgr, bbox, pad=3):
	"""Distância CENTRO-A-CENTRO das serifas (remove o viés da espessura das
	marcas); se não houver serifas nítidas, largura da bounding box.
	-> (comprimento_px, metodo, largura_bbox_px, centros)"""
	x, y, w, h = bbox
	H, W = img_bgr.shape[:2]
	x1, y1 = max(0, x - pad), max(0, y - pad)
	x2, y2 = min(W, x + w + pad), min(H, y + h + pad)
	gray = cv2.cvtColor(img_bgr[y1:y2, x1:x2], cv2.COLOR_BGR2GRAY)
	_, bw = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
	num, lab, stats, _ = cv2.connectedComponentsWithStats(bw, connectivity=8)
	if num <= 1:
	return float(w), "bounding-box", float(w), None
	idx = 1 + int(np.argmax(stats[1:, cv2.CC_STAT_AREA]))
	mask = (lab == idx).astype(np.uint8)
	cols = np.where(mask.any(axis=0))[0]
	if cols.size == 0:
	return float(w), "bounding-box", float(w), None
	largura_bbox = float(cols.max() - cols.min() + 1)
	alt = mask.sum(axis=0)[cols]
	linha_th, max_h = float(np.median(alt)), float(alt.max())
	if max_h < 2 * max(linha_th, 1) or (max_h - linha_th) < 2:
	return largura_bbox, "bounding-box", largura_bbox, None
	altas = cols[alt >= linha_th + 0.5 * (max_h - linha_th)]
	if altas.size < 2:
	return largura_bbox, "bounding-box", largura_bbox, None
	g = int(np.argmax(np.diff(altas)))
	esq, dire = altas[:g + 1], altas[g + 1:]
	if esq.size == 0 or dire.size == 0 or (dire.min() - esq.max()) < 0.3 * largura_bbox:
	return largura_bbox, "bounding-box", largura_bbox, None
	cxe, cxd = float(esq.mean()), float(dire.mean())
	return (cxd - cxe), "centro-a-centro", largura_bbox, \
	(int(x1 + cxe), int(x1 + cxd), int((y1 + y2) // 2))


	def detectar_escala(img_bgr, debug=False, verbose=None):
	"""mm por pixel a partir da escala impressa (ou None)."""
	H, W = img_bgr.shape[:2]
	cands, bar_bbox, origem = {}, None, None

	if OCR_DISPONIVEL:
	try:
	for bar in _candidatos_barra(img_bgr): # 1) barra-primeiro
	if verbose is not None:
	verbose.append(f" candidato barra @{bar}")
	c = _rotulo_da_barra(img_bgr, bar, verbose)
	if c:
	cands, bar_bbox, origem = c, bar, "barra-primeiro"
	break
	if not cands: # 2) ROI fundo-direita
	roi = img_bgr[int(H * 0.80):, int(W * 0.55):]
	c = _candidatos_valor(roi, verbose)
	if c:
	cands, origem = c, "roi-fundo"
	except Exception:
	pass

	if bar_bbox is None:
	bar_bbox = _bar_bbox_em_roi(img_bgr, int(W * 0.55), int(H * 0.80), W, H)

	barra_px = metodo = barra_bbox_px = centros = None
	if bar_bbox is not None:
	barra_px, metodo, barra_bbox_px, centros = _medir_barra_precisa(img_bgr, bar_bbox)

	valor_mm, nota = _escolher_valor(cands, barra_px, W)
	mm_por_pixel = (valor_mm / barra_px
	if (valor_mm and barra_px and barra_px > 0) else None)
	if debug:
	return mm_por_pixel, {"valor_mm": valor_mm, "nota": nota, "barra_px": barra_px,
	"barra_bbox_px": barra_bbox_px, "metodo_barra": metodo,
	"mm_por_pixel": mm_por_pixel, "bar_bbox": bar_bbox,
	"serif_centros": centros, "origem": origem}
	return mm_por_pixel


	# ===========================================================================
	# 2) RECORTE DA ASA (grande plano)
	# ===========================================================================

	def _superficie_fundo(sub, fg, passo=4):
	"""Superfície quadrática ajustada ao fundo (corrige iluminação irregular)."""
	H, W = sub.shape
	ys, xs = np.nonzero(~fg[::passo, ::passo])
	if ys.size < 200:
	return np.full_like(sub, float(np.percentile(sub, 80)))
	ys, xs = ys * passo, xs * passo
	z = sub[ys, xs].astype(np.float64)
	xn, yn = xs / max(W - 1, 1), ys / max(H - 1, 1)
	A = np.stack([np.ones_like(xn), xn, yn, xn * xn, yn * yn, xn * yn], axis=1)
	coef, *_ = np.linalg.lstsq(A, z, rcond=None)
	gy, gx = np.mgrid[0:H, 0:W]
	gxn, gyn = gx / max(W - 1, 1), gy / max(H - 1, 1)
	return (coef[0] + coef[1] * gxn + coef[2] * gyn + coef[3] * gxn * gxn +
	coef[4] * gyn * gyn + coef[5] * gxn * gyn).astype(np.float32)


	def _mascara_especime(img_bgr, delta=None):
	gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
	sub = cv2.GaussianBlur(gray, (0, 0), 2.0).astype(np.float32)
	nivel = float(np.percentile(sub, 80))
	fg = (nivel - sub) > max(3.0, 0.02 * nivel)
	for _ in range(2):
	fundo = _superficie_fundo(sub, fg)
	res = fundo - sub
	bg = res[~fg]
	if bg.size:
	mad = float(np.median(np.abs(bg - np.median(bg))))
	d = delta if delta is not None else max(3.0, 5.0 * mad)
	else:
	d = delta if delta is not None else 3.0
	fg = res > d
	m = fg.astype(np.uint8)
	k = max(3, (int(0.004 * max(img_bgr.shape[:2])) \| 1))
	m = cv2.morphologyEx(m, cv2.MORPH_CLOSE, np.ones((k, k), np.uint8))
	m = cv2.morphologyEx(m, cv2.MORPH_OPEN, np.ones((3, 3), np.uint8))
	return m


	def recortar_asa(img_bgr, margem=0.06, limpar_fundo=True, dilatar=0.02):
	"""Recorta a asa em grande plano e uniformiza o fundo à volta.

	Normaliza a entrada do modelo: a asa passa a ocupar sempre a mesma fração do
	enquadramento e artefactos (pó, 2ª asa, brilho do fundo) desaparecem — o que
	evita que a segmentação varie alguns pixels entre fotos da mesma asa.

	Devolve (crop_bgr, (x0, y0), info). Em caso de falha devolve a imagem
	original e (0, 0), para o pipeline continuar a funcionar.
	"""
	H, W = img_bgr.shape[:2]
	info = {"ok": False, "bbox": None, "crop_box": None, "area_frac": None, "motivo": None}

	mask = _mascara_especime(img_bgr)
	cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
	if not cnts:
	info["motivo"] = "sem contorno"
	return img_bgr, (0, 0), info

	cnt = max(cnts, key=cv2.contourArea)
	cheia = np.zeros_like(mask)
	cv2.drawContours(cheia, [cnt], -1, 1, thickness=-1) # preenche a asa toda

	x, y, w, h = cv2.boundingRect(cnt)
	area_frac = float(cheia.sum()) / (H * W)
	if w < 0.15 * W or h < 0.10 * H or area_frac < 0.02:
	info["motivo"] = f"objeto pequeno demais (w={w}, h={h}, área={area_frac:.3f})"
	return img_bgr, (0, 0), info

	img = img_bgr
	if limpar_fundo:
	d = max(3, int(dilatar * max(w, h)) \| 1)
	sup = cv2.dilate(cheia, np.ones((d, d), np.uint8))
	val = int(round(float(np.percentile(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY), 80))))
	img = img_bgr.copy()
	img[sup == 0] = val

	m = int(margem * max(w, h))
	x0, y0 = max(0, x - m), max(0, y - m)
	x1, y1 = min(W, x + w + m), min(H, y + h + m)
	info.update(ok=True, bbox=(int(x), int(y), int(w), int(h)),
	crop_box=(int(x0), int(y0), int(x1), int(y1)), area_frac=area_frac)
	return img[y0:y1, x0:x1], (x0, y0), info

	# Caminho para o modelo treinado
	modelo_path = "runs/segment/meu_yolo_seg20/weights/best.pt"

	model_cache = {}

	def carregar_modelo(device):
	if device not in model_cache:
	model = YOLO(modelo_path)
	model.to(device)
	model_cache[device] = model
	return model_cache[device]

	def contar_pixels_conexos(mask, minimo):
	bin_mask = (mask > 0).astype(np.uint8)
	num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(bin_mask)
	return sum(stat[cv2.CC_STAT_AREA] for stat in stats[1:] if stat[cv2.CC_STAT_AREA] >= minimo)

	def calcular_distancia(p1, p2):
	return math.sqrt((p1[0] - p2[0])2 + (p1[1] - p2[1])2)


	def mascaras_da_predicao(r, cw, ch, metodo="auto"):
	"""Máscaras binárias nas coordenadas da imagem dada ao modelo (cw x ch).

	metodo="auto" -> usa `masks.xy` (polígonos já em coordenadas da imagem de
	entrada). Evita o erro do letterbox: `masks.data` vem no
	tamanho interno do YOLO, com barras de padding, e
	redimensioná-lo desloca as máscaras de forma que depende
	do rácio de aspeto (logo, varia de foto para foto).
	metodo="legado" -> comportamento original (redimensiona `masks.data`).
	"""
	if r.masks is None:
	return []
	saida = []

	if metodo != "legado":
	xy = getattr(r.masks, "xy", None)
	if xy is not None and len(xy):
	for poly in xy:
	if poly is None or len(poly) < 3:
	continue
	m = np.zeros((ch, cw), np.uint8)
	cv2.fillPoly(m, [np.asarray(poly, dtype=np.int32)], 1)
	if m.any():
	saida.append(m)
	if saida:
	return saida

	dados = getattr(r.masks, "data", None)
	if dados is None:
	return []
	for mask in dados:
	m = mask.cpu().numpy().astype(np.float32) if hasattr(mask, "cpu") else np.asarray(mask, np.float32)
	m = cv2.resize(m, (cw, ch), interpolation=cv2.INTER_LINEAR)
	saida.append((m > 0.5).astype(np.uint8))
	return saida


	def processar_uma_imagem(imagem_path, dispositivo, conf_min, pixels_minimos,
	usar_recorte=True, limpar_fundo=False, metodo_mascara="auto"):
	device = "cuda" if dispositivo == "GPU" and torch.cuda.is_available() else "cpu"
	model = carregar_modelo(device)

	img_bgr = cv2.imread(imagem_path)
	if img_bgr is None:
	return None, None, None, None, "erro ao ler", "-"

	# --- escala: SEMPRE na imagem completa (a barra fica fora do recorte) ---
	mm_por_pixel, escala_info = detectar_escala(img_bgr, debug=True)

	# --- recorte da asa em grande plano (normaliza a entrada do modelo) ---
	if usar_recorte:
	entrada, (off_x, off_y), rec_info = recortar_asa(img_bgr, limpar_fundo=limpar_fundo)
	else:
	entrada, (off_x, off_y), rec_info = img_bgr, (0, 0), {"ok": False, "motivo": "desligado"}

	results = model.predict(source=entrada, device=device, conf=conf_min, verbose=False)
	r = results[0]

	img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
	ch, cw = entrada.shape[:2]

	# --- máscaras (em coordenadas do recorte) ---
	mascaras_binarias = []
	for m in mascaras_da_predicao(r, cw, ch, metodo_mascara):
	if contar_pixels_conexos(m * 255, pixels_minimos) > 0:
	mascaras_binarias.append(m)

	mascaras_fundidas = []
	for m in mascaras_binarias:
	fundida = False
	for i in range(len(mascaras_fundidas)):
	if np.count_nonzero(cv2.bitwise_and(m, mascaras_fundidas[i])) > 0:
	mascaras_fundidas[i] = cv2.bitwise_or(mascaras_fundidas[i], m)
	fundida = True
	break
	if not fundida:
	mascaras_fundidas.append(m)

	# --- centróides em float, convertidos para coordenadas da imagem original ---
	centroides = []
	for m in mascaras_fundidas:
	M = cv2.moments(m)
	if M["m00"] != 0:
	cx = M["m10"] / M["m00"] + off_x # float: não arredondar aqui
	cy = M["m01"] / M["m00"] + off_y
	centroides.append((cx, cy))
	cv2.circle(img_rgb, (int(round(cx)), int(round(cy))), 12, (0, 255, 0), 2)

	distancia_px = None
	distancia_mm = None
	if len(centroides) == 2:
	p1 = (int(round(centroides[0][0])), int(round(centroides[0][1])))
	p2 = (int(round(centroides[1][0])), int(round(centroides[1][1])))
	cv2.line(img_rgb, p1, p2, (0, 0, 255), 2)
	for p in (p1, p2):
	cv2.circle(img_rgb, p, 6, (0, 0, 255), -1)
	distancia_px = calcular_distancia(centroides[0], centroides[1]) # float
	if mm_por_pixel:
	distancia_mm = distancia_px * mm_por_pixel

	# --- textos informativos ---
	if escala_info["valor_mm"] and escala_info["barra_px"]:
	met = "c2c" if escala_info["metodo_barra"] == "centro-a-centro" else "bbox"
	escala_str = f"{escala_info['valor_mm']:g} mm / {escala_info['barra_px']:.0f} px ({met})"
	else:
	escala_str = "não detetada"

	if rec_info.get("ok"):
	bx, by, bw, bh = rec_info["bbox"]
	recorte_str = f"{bw}x{bh} px"
	else:
	recorte_str = f"sem recorte ({rec_info.get('motivo', '-')})"

	nome = os.path.basename(imagem_path)
	output_path = os.path.splitext(nome)[0] + "_out.png"
	cv2.imwrite(output_path, cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR))

	return output_path, nome, distancia_px, distancia_mm, escala_str, recorte_str


	def processar_varias(imagens, dispositivo, conf_min, pixels_minimos,
	usar_recorte=True, limpar_fundo=False, metodo_mascara="auto"):
	# sem imagens (ex.: alternar a opção antes de carregar ficheiros)
	if not imagens:
	vazio = pd.DataFrame({"Imagem": [], "Escala (real)": [], "Asa recortada": [],
	"Distância (px)": [], "Distância (mm)": []})
	return [], vazio, pd.DataFrame({"Métrica": [], "Valor (mm)": []}), None

	imagens_resultado = []
	nomes, pxs, mms, escalas, recortes = [], [], [], [], []

	for imagem in imagens:
	out_path, nome, dist_px, dist_mm, escala_str, recorte_str = processar_uma_imagem(
	imagem, dispositivo, conf_min, pixels_minimos, usar_recorte,
	limpar_fundo, metodo_mascara)
	imagens_resultado.append(out_path)
	nomes.append(nome)
	pxs.append(f"{dist_px:.1f}" if dist_px else "-")
	mms.append(f"{dist_mm:.3f}" if dist_mm else "-")
	escalas.append(escala_str)
	recortes.append(recorte_str)

	valores_mm = [float(x) for x in mms if x != "-"]
	media = np.mean(valores_mm) if valores_mm else 0
	desvio = np.std(valores_mm) if valores_mm else 0

	tabela = pd.DataFrame({
	"Imagem": nomes,
	"Escala (real)": escalas,
	"Asa recortada": recortes,
	"Distância (px)": pxs,
	"Distância (mm)": mms,
	})
	resumo_df = pd.DataFrame({"Métrica": ["Média", "Desvio padrão"],
	"Valor (mm)": [f"{media:.3f}", f"{desvio:.3f}"]})

	agora = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
	resultados_xlsx_path = f"resultados_medidas_{agora}.xlsx"
	with pd.ExcelWriter(resultados_xlsx_path) as writer:
	tabela.to_excel(writer, sheet_name="Resultados", index=False)
	resumo_df.to_excel(writer, sheet_name="Resumo", index=False)

	pasta_saida = f"imagens_processadas_{agora}"
	os.makedirs(pasta_saida, exist_ok=True)
	for img_path in imagens_resultado:
	os.replace(img_path, os.path.join(pasta_saida, os.path.basename(img_path)))
	imagens_resultado = [os.path.join(pasta_saida, os.path.basename(p)) for p in imagens_resultado]
	legendas = [f"{n} - {m} mm" for n, m in zip(nomes, mms)]

	return list(zip(imagens_resultado, legendas)), tabela, resumo_df, resultados_xlsx_path


	# Interface Gradio
	with gr.Blocks(title="Medição de asas múltiplas") as demo:
	gr.Markdown("## Medição automática de asas de abelha com normalização à escala impressa")

	imagens_input = gr.File(label="Subir imagens", file_types=[".png", ".jpg", ".jpeg"], file_count="multiple")

	dispositivo = gr.Radio(["CPU", "GPU"], label="Dispositivo", value="CPU", visible=False)
	conf_slider = gr.Slider(0.01, 1.0, value=0.1, step=0.01, label="Confiança mínima", visible=False)
	pixel_slider = gr.Slider(1, 1000, value=10, step=1, label="Pixels conectados mínimos por máscara", visible=False)

	imagens_saida = gr.Gallery(label="Resultados das imagens segmentadas", columns=4, preview=True, show_label=True)
	tabela_resultados = gr.Dataframe(label="Resultados", interactive=False,
	headers=["Imagem", "Escala (real)", "Asa recortada",
	"Distância (px)", "Distância (mm)"])
	tabela_resumo = gr.Dataframe(label="Resumo estatístico", interactive=False, headers=["Métrica", "Valor (mm)"])
	download_btn = gr.File(label="Download XLSX")

	imagens_input.change(
	# fixo: máscaras em "auto" (masks.xy), recorte da asa ligado,
	# sem uniformizar o fundo (isso descaracteriza a imagem e o modelo falha)
	fn=lambda imagens: processar_varias(imagens, "CPU", 0.1, 10,
	usar_recorte=True,
	limpar_fundo=False,
	metodo_mascara="auto"),
	inputs=imagens_input,
	outputs=[imagens_saida, tabela_resultados, tabela_resumo, download_btn]
	)

	if __name__ == "__main__":
	demo.launch(share=False)