Scan Tire AI — План развития

{ "dependencies": { "next": "^15.0.0", "onnxruntime-node": "^1.21.0", "sharp": "^0.34.0", "react": "^19.0.0", "typescript": "^5.0.0" } }

import torch
import torch.nn as nn
from torchvision import models

# Загрузка обученной модели
model = models.resnet18(weights=None)
model.fc = nn.Linear(model.fc.in_features, 5)  # 5 классов износа
model.load_state_dict(torch.load('weights/model_wear_best.pth'))
model.eval()

# Экспорт в ONNX
dummy_input = torch.randn(1, 3, 224, 224)
torch.onnx.export(
    model,
    dummy_input,
    'weights/wear_resnet18.onnx',
    opset_version=17,
    input_names=['input'],
    output_names=['output'],
    dynamic_axes={'input': {0: 'batch'}}
)
print("Exported to wear_resnet18.onnx")

import * as ort from 'onnxruntime-node';
import sharp from 'sharp';
import { NextResponse } from 'next/server';

const CLASSES = ['New', 'Good', 'Medium', 'Worn', 'Critical'];
const DEPTH_EST = ['7+ mm', '5-7 mm', '3-5 mm', '1.6-3 mm', 'less 1.6 mm'];

let session: ort.InferenceSession | null = null;

async function getSession() {
    if (!session) {
        session = await ort.InferenceSession.create(
            './public/models/wear_resnet18.onnx'
        );
    }
    return session;
}

export async function POST(request: Request) {
    const formData = await request.formData();
    const imageFile = formData.get('image') as File;

    // 1. Препроцессинг (Sharp.js - БЕЗ OpenCV!)
    const buffer = Buffer.from(await imageFile.arrayBuffer());
    const { data, info } = await sharp(buffer)
        .resize(224, 224)
        .removeAlpha()
        .raw()
        .toBuffer({ resolveWithObject: true });

    // 2. Нормализация RGB 0-255 -> 0-1, reshape CHW
    const float32 = new Float32Array(3 * 224 * 224);
    for (let c = 0; c < 3; c++) {
        for (let i = 0; i < 224 * 224; i++) {
            float32[c * 224 * 224 + i] = data[i * 3 + c] / 255.0;
        }
    }

    // 3. Инференс
    const sess = await getSession();
    const tensor = new ort.Tensor('float32', float32, [1, 3, 224, 224]);
    const results = await sess.run({ input: tensor });

    // 4. Обработка результатов
    const probs = results.output.data as Float32Array;
    const classId = probs.indexOf(Math.max(...probs));

    return NextResponse.json({
        wear: CLASSES[classId],
        confidence: Math.round(probs[classId] * 100),
        depth_estimate: DEPTH_EST[classId]
    });
}

import sharp from 'sharp';

async function preprocessImage(buffer: Buffer): Promise<Float32Array> {
    // Resize до 224x224, конверт в RGB raw буфер
    const { data } = await sharp(buffer)
        .resize(224, 224, { fit: 'cover' })
        .removeAlpha()
        .raw()
        .toBuffer({ resolveWithObject: true });

    // Конверт HWC -> CHW, нормализация 0-255 -> 0-1
    const float32 = new Float32Array(3 * 224 * 224);
    for (let c = 0; c < 3; c++) {
        for (let h = 0; h < 224; h++) {
            for (let w = 0; w < 224; w++) {
                const srcIdx = (h * 224 + w) * 3 + c;
                const dstIdx = c * 224 * 224 + h * 224 + w;
                float32[dstIdx] = data[srcIdx] / 255.0;
            }
        }
    }
    return float32;
}

'use client';
import { useState } from 'react';

export default function FileUpload() {
    const [result, setResult] = useState<null | WearResult>(null);
    const [loading, setLoading] = useState(false);

    async function handleUpload(file: File) {
        setLoading(true);
        const formData = new FormData();
        formData.append('image', file);
        const res = await fetch('/api/analyze', {
            method: 'POST',
            body: formData
        });
        const data = await res.json();
        setResult(data);
        setLoading(false);
    }

    return (
        <div>
            <input type="file" accept="image/*" 
                onChange={(e) => e.target.files?.[0] && handleUpload(e.target.files[0])} />
            {loading && <p>Анализируем...</p>}
            {result && (
                <div>
                    <h2>Износ: {result.wear}</h2>
                    <p>Уверенность: {result.confidence}%</p>
                    <p>Примерная глубина: {result.depth_estimate}</p>
                </div>
            )}
        </div>
    );
}

ВАЖНОЕ ПРАВОВОЕ УВЕДОМЛЕНИЕ - ПОЖАЛУЙСТА, ПРОЧИТАЙТЕ

Scan Tire AI предоставляет AI-оценки ТОЛЬКО В ОЗНАКОМИТЕЛЬНЫХ ЦЕЛЯХ.
Это НЕ замена:
  - Профессиональному осмотру шин сертифицированным механиком
  - Измерениям сертифицированным глубиномером
  - Визуальному осмотру при правильном освещении

Используя этот сервис, вы подтверждаете:
  [+] Результаты - это AI-оценки (текущая точность: ~60-75%)
  [+] Вы НЕСЁТЕ ПОЛНУЮ ОТВЕТСТВЕННОСТЬ за решения о безопасности шин
  [+] Мы НЕ несём ответственности за аварии, травмы или ущерб
  [+] Всегда проверяйте у сертифицированного специалиста перед поездкой

Это БЕТА-версия. Точность улучшается.
НЕ ПОЛАГАЙТЕСЬ на неё для критически важных решений безопасности.

[ Я понимаю и принимаю ]  [ Отмена ]

Тема: Бесплатный AI проверщик шин для [Название] (бета тест)

Привет [Имя],

Нашёл ваш шиномонтаж на Google Maps - выглядите профессионально!

Быстрый вопрос: Бывают ли у вас споры с клиентами о состоянии шин?
("Вы сказали хорошие, а они изношены!")

Я создал AI инструмент, который оценивает износ шин по фото за 10 секунд.
Никакого специального оборудования - просто камера смартфона.

Хотите протестировать БЕСПЛАТНО 2 недели?
Демо: https://scantire.com/beta

Просто сфотографируйте 3-5 шин, скажите - совпали ли оценки с реальностью.
Ваш фидбек поможет улучшить AI.

С уважением,
Слава Кузькин
Scan Tire AI
scantireai@gmail.com

ОПТИМИЗАЦИЯ ВИДЕО ДЛЯ SEO:

Название (Title):
- Формат: "Scan Tire AI - [что делает] [время результата]"
- Пример: "Scan Tire AI - проверь износ шин за 10 секунд"
- Длина: до 60 символов

Описание (Description):
- 1-2 предложение о видео
- Таймкоды (00:00 Введение, 00:30 Демо...)
- Ссылки: сайт, соцсети
- Ключевые слова в первых 2 строках

Теги (Tags):
- scan tire, tire wear, tire inspection, AI, computer vision
- automotive, car maintenance, tire depth
- русские: проверка шин, износ шин, глубина протектора

Миниатюра (Thumbnail):
- Моё лицо + текст
- Контрастные цвета
- Большие буквы
- Формат: 1280x720