██████╗  █████╗ ████████╗███████╗██╗   ██╗██╗███████╗██╗ ██████╗ ███╗   ██╗
██╔════╝ ██╔══██╗╚══██╔══╝██╔════╝██║   ██║██║██╔════╝██║██╔═══██╗████╗  ██║
██║  ███╗███████║   ██║   █████╗  ██║   ██║██║███████╗██║██║   ██║██╔██╗ ██║
██║   ██║██╔══██║   ██║   ██╔══╝  ╚██╗ ██╔╝██║╚════██║██║██║   ██║██║╚██╗██║
╚██████╔╝██║  ██║   ██║   ███████╗ ╚████╔╝ ██║███████║██║╚██████╔╝██║ ╚████║
 ╚═════╝ ╚═╝  ╚═╝   ╚═╝   ╚══════╝  ╚═══╝  ╚═╝╚══════╝╚═╝ ╚═════╝ ╚═╝  ╚═══╝

Rozpoznawanie tablic rejestracyjnych i kontrola bramy — iOS + Web Panel

---

Czym jest GateVision?

GateVision to system automatycznej kontroli bramy wjazdowej. Aplikacja iOS w czasie rzeczywistym rozpoznaje tablice rejestracyjne, porównuje je z bazą danych i automatycznie steruje bramą. Wykorzystuje CoreML (model YOLO wytrenowany na tablicach) do detekcji regionów tablic oraz Apple Vision Framework do odczytu tekstu (OCR).

W tle działa serwer HTTP (port 6600) z pełnym panelem webowym do zarządzania systemem z dowolnego urządzenia w sieci lokalnej.

Źródło obrazu (iPhone / Raspberry Pi / 70mai)
      │
      ├── 🧠  CoreML YOLO → Detekcja regionu tablicy → Crop → Vision OCR → Odczyt tekstu
      │
      ├── 🗄️  SQLite → Sprawdzenie tablicy w bazie → Otwarcie/blokada bramy
      │
      └── 🌐  HTTP :6600 → Panel webowy (status, logi, zarządzanie, debug)

---

Tryby detekcji

GateVision oferuje trzy tryby rozpoznawania tablic:

Tryb	Silnik	Opis
Pełna klatka	Apple Vision OCR	OCR na całym obrazie — prosty, bez ML, dobre na krótki dystans
YOLO ML	CoreML + Vision wrapper	Model YOLO wykrywa region tablicy, obraz jest wycinany i wysyłany do OCR — lepsza skuteczność na dalszy dystans
CoreML Direct	CoreML bezpośrednio	Ten sam model YOLO, ale z ręcznym preprocessingiem (resize 640×640, CVPixelBuffer) i bezpośrednim MLModel.prediction() — pełna kontrola, przydatne do debugowania

Pipeline detekcji (tryby ML)

Klatka z kamery (portrait)
    │
    ├── CoreML YOLO → bounding boxy tablic (normalized coords)
    │
    ├── Crop + padding + upscale (min 150px) → wycięty region tablicy
    │
    ├── Apple Vision OCR (.accurate) → tekst tablicy + confidence
    │
    ├── Regex filter → [A-Z]{1,3}\d{3,5}[A-Z]{0,2}
    │
    └── System głosowania (N detekcji w oknie M klatek) → decyzja o otwarciu bramy

---

Funkcje

Detekcja i OCR

• 3 tryby detekcji — Pełna klatka, YOLO ML, CoreML Direct
• 2 tryby OCR — Tablica (filtruje rejestracje, steruje bramą) / Wszystko (wyświetla cały tekst — do kalibracji)
• System głosowania — wymaga N powtórzeń tej samej tablicy w oknie M klatek przed otwarciem bramy
• Cooldown — zapobiega wielokrotnemu otwarciu na tę samą tablicę

Źródła kamery

• iPhone — wbudowana kamera z wyborem obiektywu (0.5×, 1×, 5×)
• Raspberry Pi — MJPEG stream po HTTP z kamery USB podłączonej do Pi
• 70mai — dashcam przez RTSP stream

Rozdzielczość kamery

• 720p (1280×720) — niska latencja, mniejsze zużycie baterii
• 1080p (1920×1080) — balans jakości i wydajności
• 4K (3840×2160) — maksymalny zasięg detekcji

Baza danych (SQLite)

• Lista autoryzowanych tablic z danymi właścicieli
• Oznaczanie pojazdów flotowych i przypisywanie do użytkowników (AD)
• Blokowanie/odblokowywanie tablic bez usuwania z systemu
• Pełna historia detekcji z klatką z momentu rozpoznania (JPEG snapshot)

Sterowanie bramą

• Automat stanowy: ZAMKNIĘTA → OTWIERANIE → OTWARTA → ZAMYKANIE → ZAMKNIĘTA
• Konfigurowalne czasy otwierania, otwarcia i zamykania
• Ręczne sterowanie z aplikacji i panelu web

Panel webowy (port 6600)

• Status — stan bramy, metryki OCR, podgląd kamery live (MJPEG stream), przyciski sterowania
• Logi — tabela detekcji z wyszukiwarką i podglądem zdjęć
• Tablice — dodawanie, edycja, blokowanie, usuwanie tablic
• Ustawienia — tryb OCR, tryb detekcji, źródło kamery, rozdzielczość
• Debug — diagnostyka OCR, info o kamerze, baza danych, logi ML z toggle/clear/copy

Debug i diagnostyka

• MLLogger — szczegółowe logi pipeline'u ML w czasie rzeczywistym
• Debug ML — przechwytywanie wyciętych regionów tablic ze wszystkich detekcji ML (nie tylko zmatchowanych)
• Debug tab — diagnostyka OCR, parametry kamery, stany bramy, testy sterowania
• Loading screen — wizualizacja inicjalizacji (baza, model ML, kamera, serwer)

---

Panel Web — REST API

http://<IP-iPhone>:6600

Metoda	Endpoint	Opis
GET	/	Dashboard HTML
GET	/api/status	Stan bramy, FPS, ostatnia tablica, źródło kamery
GET	/api/snapshot	Aktualna klatka JPEG
GET	/api/stream	MJPEG stream (podgląd live)
GET	/api/live_log	Ostatnie 60 detekcji na żywo
GET	/api/log?q=	Historia detekcji z wyszukiwaniem
GET	/api/log/:id/snapshot	Klatka JPEG z danego logu
GET/POST	/api/plates	Lista / dodaj tablicę
PUT/DELETE	/api/plates/:id	Edytuj / usuń tablicę
POST	/api/plates/:id/toggle_block	Przełącz blokadę
POST	/api/gate/open	Otwórz bramę
POST	/api/gate/close	Zamknij bramę
GET/POST	/api/settings	Odczyt / zapis ustawień (tryb OCR, detekcja, kamera, rozdzielczość)
GET	/api/debug	Pełna diagnostyka (OCR, kamera, brama, ML logi, baza)
POST	/api/ml_log/toggle	Włącz/wyłącz logowanie ML
POST	/api/ml_log/clear	Wyczyść logi ML

---

Instalacja

Wymagania

• Xcode 15+
• iPhone z iOS 16+ (zalecany iPhone 12+ dla Neural Engine)

Build

1. Sklonuj repo
2. Otwórz Gatevision.xcodeproj w Xcode
3. Build & Run (Cmd+R) na urządzeniu fizycznym (kamera nie działa w symulatorze)

Model ML (trained_plates_detection.mlpackage) jest dołączony do repo — Xcode kompiluje go automatycznie do .mlmodelc przy buildzie.

---

Konfiguracja

Tryby OCR

Tryb	Kiedy używać
Tablica	Produkcja — filtruje europejskie tablice, steruje bramą
Wszystko	Kalibracja — pokazuje każdy rozpoznany tekst z confidence

System głosowania

Przed otwarciem bramy aplikacja zbiera minVotes detekcji tej samej tablicy w oknie voteWindowSize klatek. Eliminuje fałszywe odczyty.

Domyślnie: 2 głosy w oknie 6 klatek

Czasy bramy

ZAMKNIĘTA → [openingTime]s → OTWARTA → [openDuration]s → [closingTime]s → ZAMKNIĘTA
Domyślnie:       2s               10s                          3s

Format tablic (regex)

[A-Z]{1,3}\d{3,5}[A-Z]{0,2}

Obsługuje: WA12345, KR999, PO55123AB, GD00001 itd.

---

Architektura

Cała aplikacja iOS mieści się w jednym pliku (GateVisionApp.swift) — single-file architecture.

┌──────────────────────────────────────────────────────────────┐
│                        iPhone                                │
│                                                              │
│  ┌─────────────────┐     ┌────────────────────────────────┐  │
│  │  Źródło kamery   │────▶│         CameraEngine          │  │
│  │  • iPhone cam    │     │  • CoreML YOLO detekcja       │  │
│  │  • Raspberry Pi  │     │  • Apple Vision OCR           │  │
│  │  • 70mai RTSP    │     │  • System głosowania          │  │
│  └─────────────────┘     │  • Automat stanowy bramy      │  │
│                           │  • SQLite logging             │  │
│  ┌─────────────────┐     │                                │  │
│  │    SwiftUI UI    │◀────│  @Published properties        │  │
│  │  • Status tab    │     └───────────────┬───────────────┘  │
│  │  • Logi tab      │                     │                  │
│  │  • Tablice tab   │     ┌───────────────▼───────────────┐  │
│  │  • Settings tab  │     │          WebServer            │  │
│  │  • Debug tab     │     │  NWListener :6600             │  │
│  └─────────────────┘     │  • REST API (JSON)            │  │
│                           │  • HTML dashboard             │  │
│  WiFi ──────────────────▶│  • MJPEG stream               │  │
│                           └───────────────────────────────┘  │
└──────────────────────────────────────────────────────────────┘

Struktura plików

Gatevision/
├── GateVisionApp.swift                    # Cała aplikacja iOS (single file)
│   ├── Enums                              # GateState, DetectionMode, OCRMode, CameraSource,
│   │                                      #   LensType, CameraResolution, LoadStep
│   ├── DebugMLEntry                       # Model danych debug ML
│   ├── Design System (GV)                 # Kolory, Liquid Glass modifiers
│   ├── Database                           # SQLite wrapper (plates + access_log + snapshots)
│   ├── MLLogger                           # Logger pipeline'u ML
│   ├── WebServer                          # NWListener HTTP + REST API + dashboard
│   ├── CameraEngine                       # AVFoundation + CoreML + Vision OCR + gate FSM
│   │   ├── captureOutput                  # Przetwarzanie klatek z iPhone
│   │   ├── handleExternalFrame            # Przetwarzanie klatek z Pi/70mai
│   │   ├── runCoreMLDetection             # YOLO ML (via Vision wrapper)
│   │   ├── runDirectCoreMLDetection       # CoreML Direct (manual preprocessing)
│   │   └── ocrCroppedRegions              # Crop + OCR na wyciętych regionach
│   ├── SplashScreen                       # Loading screen z progress bar
│   ├── RootView                           # TabView z 5 zakładkami
│   ├── StatusTab                          # Kamera live + GateCard + metryki
│   ├── LogTab                             # Aktualna sesja + Historia + Debug ML
│   ├── PlatesTab                          # CRUD lista tablic
│   ├── SettingsTab                        # Konfiguracja + Debug nawigacja
│   ├── DebugTab                           # Diagnostyka, czasy bramy, ML logi, testy
│   └── MLLogView                          # Przeglądarka logów ML
│
├── dashboard.html                         # Panel webowy (HTML/CSS/JS)
├── trained_plates_detection.mlpackage     # Model CoreML YOLO (detekcja tablic)
└── trained_plates_detection.pt            # Model PyTorch (źródło)

---

Licencja

MIT — szczegóły w pliku LICENSE.

---

Made with ❤️ for smart gate automation

GateVision przetwarza wszystko lokalnie na urządzeniu — żadne dane nie są wysyłane na zewnątrz.