KCGL/inventory-backend/app/utils/ai_vision.py

# -*- coding: utf-8 -*-
"""
AI Vision 模块 - CLIP Vision Encoder ONNX 推理
"""

import os
import json
import time
import numpy as np
from PIL import Image
import onnxruntime as ort
import cv2

# ============================================================================
# 全局模型单例（项目启动时加载一次）
# ============================================================================

MODEL_PATH = os.path.join(os.path.dirname(__file__), '..', '..', 'models', 'clip_vision.onnx')

# 加载选项：CPU 推理，禁用依赖库的启动开销
_session_options = ort.SessionOptions()
_session_options.graph_optimization_level = ort.GraphOptimizationLevel.ORT_ENABLE_ALL

ort_session: ort.InferenceSession = None


def load_clip_model():
    """启动时调用：全局加载 CLIP Vision 模型"""
    global ort_session
    if ort_session is not None:
        return ort_session

    if not os.path.exists(MODEL_PATH):
        raise FileNotFoundError(f"CLIP Vision 模型未找到: {MODEL_PATH}")

    ort_session = ort.InferenceSession(MODEL_PATH, sess_options=_session_options, providers=['CPUExecutionProvider'])
    print(f"✅ [AI Vision] CLIP 模型加载成功: {MODEL_PATH}")
    return ort_session


# ============================================================================
# CLIP 预处理常量
# ============================================================================

# ImageNet 标准归一化（CLIP 官方）
IMAGENET_MEAN = [0.485, 0.456, 0.406]
IMAGENET_STD = [0.229, 0.224, 0.225]

# 模型输入尺寸
INPUT_SIZE = 224

# ============================================================================
# 背景去除配置：HSV 色彩空间阈值
# ============================================================================
# OpenCV HSV: H∈[0,180], S∈[0,255], V∈[0,255]
# 注意：OpenCV 中 H 通道范围是 0-180（是 OpenCV 自己的标准，和美术的 0-360 对应）

# 绿色背景阈值（工业绿幕常用色）
# H: 35~85 对应绿色谱（浅绿到深绿）
# S: 低饱和度（35）到高饱和度（255）
# V: 明暗均可（30~255）
BG_GREEN_LOWER = np.array([35, 35, 30])
BG_GREEN_UPPER = np.array([90, 255, 255])

# 白色/浅色背景阈值（高明度、低饱和度区域）
# H: 不限制（0~180），只看 S 和 V
# S: 很低的饱和度（0~35）→ 接近纯灰/白色
# V: 高明度（180~255）
BG_WHITE_LOWER = np.array([0, 0, 180])
BG_WHITE_UPPER = np.array([180, 40, 255])

# 中性灰填充色（BGR → 转换后 RGB 也是 128,128,128）
NEUTRAL_GRAY_BGR = (128, 128, 128)


def _remove_background(image: Image.Image) -> Image.Image:
    """
    利用 OpenCV HSV 色彩空间识别并替换背景为中性灰

    支持两种背景类型：
    1. 工业绿幕/绿色背景（H: 35~90）
    2. 白色/浅色背景（高亮度、低饱和度）

    逻辑：
    - 将 PIL Image 转为 OpenCV 格式 (RGB → BGR)
    - 转 HSV，分别生成绿色掩码和白色掩码
    - 合并掩码后，按掩码将背景区域替换为中性灰
    - 还原为 PIL Image (BGR → RGB) 返回

    参数:
        image: PIL Image (RGB, uint8)

    返回:
        处理后的 PIL Image (RGB, uint8)
    """
    # PIL (RGB) → OpenCV (BGR)
    img_bgr = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)

    # 转入 HSV 色彩空间
    hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

    # 生成掩码 1：绿色背景
    mask_green = cv2.inRange(hsv, BG_GREEN_LOWER, BG_GREEN_UPPER)

    # 生成掩码 2：白色/浅色背景
    mask_white = cv2.inRange(hsv, BG_WHITE_LOWER, BG_WHITE_UPPER)

    # 合并掩码（任意一种背景都替换）
    mask_combined = cv2.bitwise_or(mask_green, mask_white)

    # 形态学处理：消除噪点（小面积背景噪点填平）
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    mask_combined = cv2.morphologyEx(mask_combined, cv2.MORPH_CLOSE, kernel)
    mask_combined = cv2.morphologyEx(mask_combined, cv2.MORPH_OPEN, kernel)

    # 背景替换：将掩码区域填充为中性灰
    # 其中 mask_combined=255 的区域为背景，替换为 NEUTRAL_GRAY_BGR
    img_bgr_no_bg = img_bgr.copy()
    img_bgr_no_bg[mask_combined > 0] = NEUTRAL_GRAY_BGR

    # OpenCV (BGR) → PIL (RGB)
    result = Image.fromarray(cv2.cvtColor(img_bgr_no_bg, cv2.COLOR_BGR2RGB))

    return result


def _letterbox_image(image: Image.Image, size: int = 224) -> Image.Image:
    """
    Letterbox 预处理：等比例缩放 + 灰色填充，保持内容不变形

    - 将原图最长边缩放到 224
    - 短边按相同比例缩放
    - 不足部分用 RGB(128,128,128) 灰色填充至 224x224

    参数:
        image: PIL Image 对象
        size: 目标尺寸，默认 224

    返回:
        224x224 PIL Image
    """
    w, h = image.size

    # 计算缩放比例，使最长边等于 size
    scale = size / max(w, h)
    new_w = int(w * scale)
    new_h = int(h * scale)

    # 等比例缩放
    resized = image.resize((new_w, new_h), Image.LANCZOS)

    # 创建灰色画布
    canvas = Image.new('RGB', (size, size), (128, 128, 128))

    # 将缩放后的图片粘贴到画布正中央
    paste_x = (size - new_w) // 2
    paste_y = (size - new_h) // 2
    canvas.paste(resized, (paste_x, paste_y))

    return canvas


def _normalize(image_np: np.ndarray) -> np.ndarray:
    """
    对 224x224x3 图像进行 CLIP 标准归一化
    image_np: shape (H, W, C), dtype uint8, 值域 [0, 255]
    返回: shape (C, H, W), dtype float32, 值域 [0, 1]
    """
    # HWC -> CHW
    image_np = image_np.transpose(2, 0, 1).astype(np.float32) / 255.0

    # 归一化
    for i, (mean, std) in enumerate(zip(IMAGENET_MEAN, IMAGENET_STD)):
        image_np[i] = (image_np[i] - mean) / std

    return image_np


# ============================================================================
# 主函数：提取图像 embedding
# ============================================================================

def get_image_embedding(image_path: str) -> list:
    """
    提取图像的 512 维 CLIP embedding 向量

    参数:
        image_path: 图像文件路径

    返回:
        list: 512 维浮点向量
    """
    if ort_session is None:
        load_clip_model()

    # 1. 图片预处理
    #    Step 1: 背景去除（HSV 色彩空间，绿色/白色背景 → 中性灰替换）
    image = Image.open(image_path).convert('RGB')
    image = _remove_background(image)

    #    Step 2: Letterbox 等比例缩放（保持内容不变形）
    image = _letterbox_image(image, INPUT_SIZE)
    input_data = _normalize(np.array(image))
    input_data = np.expand_dims(input_data, axis=0)  # [1, 3, 224, 224]

    # 2. 构造占位符输入 (关键修复)
    dummy_ids = np.zeros((1, 77), dtype=np.int64)
    dummy_mask = np.zeros((1, 77), dtype=np.int64)

    # 3. 传入模型进行推理
    # 注意: 模型输入名在你的模型里必须叫 'pixel_values', 'input_ids', 'attention_mask'
    # 如果报错找不到输入名，请打印 ort_session.get_inputs()[0].name 确认
    outputs = ort_session.run(
        ['image_embeds'],
        {
            'input_ids': dummy_ids,
            'pixel_values': input_data.astype(np.float32),
            'attention_mask': dummy_mask
        }
    )
    return outputs[0][0].tolist()


# ============================================================================
# 通用向量提取工具：防呆、防错
# ============================================================================

def extract_and_embed(photo_source):
    if not photo_source:
        return None
    try:
        # 1. 提取基础字符串
        photo_source_str = str(photo_source).strip()
        raw_path = ""

        # 尝试剥掉 JSON 外壳
        try:
            parsed = json.loads(photo_source_str)
            if isinstance(parsed, list):
                raw_path = parsed[0] if parsed else ""
            elif isinstance(parsed, str):
                raw_path = parsed
            else:
                raw_path = str(parsed)
        except:
            raw_path = photo_source_str

        if not raw_path:
            return None

        # 2. 剥离出最纯净的文件名 (只取最后一段)
        pure_filename = raw_path.split('/')[-1]

        # 3. 【终极物理净化】强行抠掉所有多余的标点符号！
        # 哪怕传进来的是 123.jpg"] 或者是 "123.jpg"，全部洗干净
        pure_filename = pure_filename.replace('"', '').replace("'", "").replace('[', '').replace(']', '')

        # 4. 拼接真实的 Docker 物理路径
        file_path = os.path.join('/app/uploads', pure_filename)

        # 5. 加入重试机制 (最多等 3 秒)
        max_retries = 6
        for i in range(max_retries):
            if os.path.exists(file_path):
                # 文件找到了，开始提取向量
                vec = get_image_embedding(file_path)
                if isinstance(vec, np.ndarray):
                    return vec.tolist()
                return vec
            else:
                print(f"[AI 识图等待] 第 {i+1} 次尝试，未找到文件 {file_path}，等待 0.5s...")
                time.sleep(0.5)

        print(f"[AI 识图警告] 彻底失败！经过等待依然未找到图片: {file_path}")

    except Exception as e:
        print(f"[AI 识图错误] 实时提取向量失败: {str(e)}")

    return None