🔥 مدل NanoBanana برای علوم زمین (Geoscience): زمانی که مدلهای Image-to-Image به ابزار علمی تبدیل میشوند 🌍🛰️
کاربر خلاقی ایدهای عالی را آزمایش کرده — استفاده از NanoBanana برای تحلیل محیطی واقعی: تولید نقشه حرارتی آسیب چمن (Grass Damage Heatmap) از عکسهای هوایی پارکها 🌿
🧩 پرامپت نهایی برای استفاده مستقیم:
---
📡 @rss_ai_ir
#هوش_مصنوعی #NanoBanana #Geoscience #VisionAI #ImageToImage #GIS #RemoteSensing #EnvironmentalAI #Heatmap
کاربر خلاقی ایدهای عالی را آزمایش کرده — استفاده از NanoBanana برای تحلیل محیطی واقعی: تولید نقشه حرارتی آسیب چمن (Grass Damage Heatmap) از عکسهای هوایی پارکها 🌿
🧩 پرامپت نهایی برای استفاده مستقیم:
Grass Damage Heatmap — Overlay Only
Goal
Return the original aerial photo with a high-contrast damage heatmap drawn only on grass. No side-by-side, no crops, no extra files.
Input
/mnt/data/333064BC-C638-4C4E-A255-DA277B7CD2AC.jpeg
1) Preprocess (robust color)
• Gray-world white balance and local illumination normalization (shadow-robust).
• Bilateral filter to reduce noise while preserving edges.
2) Grass segmentation (tighter)
• Use RGB vegetation indices to drive the mask:
ExG = 2G − R − B, VARI = (G − R) / (G + R − B + 1e-6).
Keep pixels with (ExG > p60_exg OR VARI > p60_vari) AND HSV hue in [70°,150°] OR low-chroma yellow/olive under shadow normalization.
• Explicitly exclude: tree canopies + shadows, bare soil/paths, playgrounds, buildings/roads/cars.
• Morphology: close→open to fill small holes; remove speckles < 0.5 m².
3) Damage score (shadow-robust, multi-cue)
damage_raw = w1*(1 - norm(VARi))
+ w2*yellow_brownness // hue shift 15°–70°, low S
+ w3*thin/patchy texture // low local NDVI proxy & high LBP contrast
+ w4*exposed-soil likelihood
Use w1=0.4, w2=0.3, w3=0.2, w4=0.1. Clamp to [0,1].
Distance-from-path prior: don’t boost 1–2 m fringe unless the damaged region extends ≥3 m into turf.
4) Adaptive contrast (per-lawn)
• Split grass into connected polygons (“lawns”).
• For each polygon, percentile scale p5→0, p95→1 (clip).
• Hide scores < 0.30.
5) Overlay style (make hotspots pop)
• Colormap (no green): purple → orange → yellow/white (plasma-like).
0.30–0.49 = purple, 0.50–0.74 = orange, ≥0.75 = yellow/white.
• Opacity on grass: 0.85.
• Non-grass context: grayscale at 40–45% brightness.
• Contours at 0.50 and 0.75 (white, 1–2 px).
• High-confidence “bald spots” (≥0.85 and area ≥ 3 m²): add thin black outline.
6) Legend (compact)
• “Grass damage (≥30%)” bar with ticks at 30/50/75/100; place top-right, non-occluding.
7) Output
• One PNG at native resolution: original image + overlay.
⸻
Ultra-short drop-in
“Overlay only. Segment grass via ExG/VARI + HSV; exclude trees/paths/buildings; shadow-robust. Score damage from (1−VARI), yellow/brownness, patchy texture, soil; apply path-fringe guard. Per-lawn percentile remap (p5→0, p95→1); hide <0.30. Draw purple→orange→yellow/white heatmap at 0.85 opacity on grass; rest grayscale 45%. Add white contours at 0.50/0.75 and black outlines for ≥0.85 ‘bald spots’. Return one PNG.”
---
📡 @rss_ai_ir
#هوش_مصنوعی #NanoBanana #Geoscience #VisionAI #ImageToImage #GIS #RemoteSensing #EnvironmentalAI #Heatmap
❤2
This media is not supported in your browser
VIEW IN TELEGRAM
🌐مدل OmniX — نسل جدید مدلهای پانورامای سهبعدی از Kling 🎥🧠
اگر دنبال مدلهای متنبهپانوراما بودید، OmniX از تیم HKU MMLab یکی از جذابترین پروژههای اخیر است —
مدلی متنباز که نهتنها تصاویر پانورامای ۳۶۰ درجه تولید میکند، بلکه ویژگیهای فیزیکی صحنه را هم بهصورت خودکار استخراج میکند.
---
🧩 تواناییهای کلیدی:
🟢 تولید همزمان پانوراما و نقشههای فیزیکی:
Depth map (عمق)
Normal map (زاویه سطح)
Albedo (رنگ پایه)
Roughness (زِبری سطح)
Metallic (جلوه فلزی)
🟢 تبدیل پانوراما به صحنهی سهبعدی آماده برای گرافیک (Graphics-Ready 3D Scene)
مدل میتواند پانورامای خروجی را به mesh واقعی تبدیل کند که قابل وارد کردن به نرمافزارهایی مانند Blender است.
هرچند خود تیم هشدار داده که این بخش هنوز در مرحلهی بتا است و گاهی ناپایدار عمل میکند.
---
⚙️ منابع پروژه:
📄 وبسایت رسمی:
yukun-huang.github.io/OmniX
💻 سورسکد:
github.com/HKU-MMLab/OmniX
🧠 وزنها (Weights):
huggingface.co/KevinHuang/OmniX
---
🎯 مدل OmniX نشان میدهد آیندهی تولید محتوای سهبعدی از دیدگاه پانورامیک بهسمت یکپارچگی کامل بین درک صحنه (perception) و تولید گرافیکی (generation) در حرکت است.
📡 @rss_ai_ir
#هوش_مصنوعی #OmniX #3D #Panorama #GenerativeAI #Blender #VisionAI #Kling #HKUMMLab
اگر دنبال مدلهای متنبهپانوراما بودید، OmniX از تیم HKU MMLab یکی از جذابترین پروژههای اخیر است —
مدلی متنباز که نهتنها تصاویر پانورامای ۳۶۰ درجه تولید میکند، بلکه ویژگیهای فیزیکی صحنه را هم بهصورت خودکار استخراج میکند.
---
🧩 تواناییهای کلیدی:
🟢 تولید همزمان پانوراما و نقشههای فیزیکی:
Depth map (عمق)
Normal map (زاویه سطح)
Albedo (رنگ پایه)
Roughness (زِبری سطح)
Metallic (جلوه فلزی)
🟢 تبدیل پانوراما به صحنهی سهبعدی آماده برای گرافیک (Graphics-Ready 3D Scene)
مدل میتواند پانورامای خروجی را به mesh واقعی تبدیل کند که قابل وارد کردن به نرمافزارهایی مانند Blender است.
هرچند خود تیم هشدار داده که این بخش هنوز در مرحلهی بتا است و گاهی ناپایدار عمل میکند.
---
⚙️ منابع پروژه:
📄 وبسایت رسمی:
yukun-huang.github.io/OmniX
💻 سورسکد:
github.com/HKU-MMLab/OmniX
🧠 وزنها (Weights):
huggingface.co/KevinHuang/OmniX
---
🎯 مدل OmniX نشان میدهد آیندهی تولید محتوای سهبعدی از دیدگاه پانورامیک بهسمت یکپارچگی کامل بین درک صحنه (perception) و تولید گرافیکی (generation) در حرکت است.
📡 @rss_ai_ir
#هوش_مصنوعی #OmniX #3D #Panorama #GenerativeAI #Blender #VisionAI #Kling #HKUMMLab
❤1