Update app.py

app.py

@@ -2,10 +2,8 @@ from fastapi import FastAPI, UploadFile, File
 import tensorflow as tf
 import numpy as np
 import cv2
-import io
 import tempfile
 
-
 app = FastAPI()
 
 # Load model Keras
@@ -29,41 +27,51 @@ def home():
 
 @app.post("/predict")
 async def predict(file: UploadFile = File(...)):
-    # Simpan file gambar sementara
-    temp = tempfile.NamedTemporaryFile(delete=False, suffix=".jpg")
-    temp.write(await file.read())
-    temp.close()
+    try:
+        # Simpan file gambar sementara
+        temp = tempfile.NamedTemporaryFile(delete=False, suffix=".jpg")
+        temp.write(await file.read())
+        temp.close()
+
+        # Baca gambar menggunakan OpenCV
+        image = cv2.imread(temp.name)
+        if image is None:
+            return {"error": "Gagal membaca gambar"}
+
+        # Konversi ke grayscale
+        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
 
-    # Baca gambar menggunakan OpenCV
-    image = cv2.imread(temp.name)
-    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+        # Thresholding agar huruf menjadi putih (255) dan latar belakang hitam (0)
+        _, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
 
-    # Thresholding untuk mempermudah deteksi huruf
-    _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
+        # Connected Component Analysis
+        num_labels, labels_im, stats, centroids = cv2.connectedComponentsWithStats(binary, connectivity=8)
 
-    # Temukan kontur huruf
-    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
+        # Ambil bounding box dari tiap huruf
+        min_area = 500  # Filter noise kecil
+        hasil_klasifikasi = []
+        for i in range(1, num_labels):  # label 0 adalah background
+            x, y, w, h, area = stats[i]
+            if area < min_area:
+                continue  # Skip noise kecil
 
-    # Urutkan kontur dari kiri ke kanan
-    contours = sorted(contours, key=lambda c: cv2.boundingRect(c)[0])
+            huruf = gray[y:y+h, x:x+w]
+            huruf = cv2.resize(huruf, (128, 128))  # Resize ke input model
+            huruf = np.array(huruf) / 255.0
+            huruf = huruf.reshape(1, 128, 128, 1)
 
-    # Loop untuk memotong dan klasifikasi tiap huruf
-    hasil_klasifikasi = []
-    for contour in contours:
-        x, y, w, h = cv2.boundingRect(contour)
-        huruf = gray[y:y+h, x:x+w]
+            # Prediksi model
+            prediction = model.predict(huruf)
+            label = labels[np.argmax(prediction)]
+            hasil_klasifikasi.append((x, label))  # Simpan posisi dan hasil prediksi
 
-        # Resize ke ukuran model
-        huruf = cv2.resize(huruf, (128, 128))
-        huruf = np.array(huruf) / 255.0
-        huruf = huruf.reshape(1, 128, 128, 1)
+        # Urutkan huruf berdasarkan posisi X (kiri ke kanan)
+        hasil_klasifikasi.sort(key=lambda x: x[0])
 
-        # Prediksi
-        prediction = model.predict(huruf)
-        label = labels[np.argmax(prediction)]
-        hasil_klasifikasi.append(label)
+        # Gabungkan hasil klasifikasi menjadi teks akhir
+        hasil_teks = "".join([h[1] for h in hasil_klasifikasi])
 
-    # Gabungkan hasil klasifikasi menjadi teks akhir
-    hasil_teks = "".join(hasil_klasifikasi)
+        return {"prediction": hasil_teks}
 
-    return {"prediction": hasil_teks}
+    except Exception as e:
+        return {"error": str(e)}