#!/usr/bin/env bash
# Проверка топика /flyguard/brain: он публикуется и содержит настоящую картинку.
# Несколько кадров сохраняются в PNG — их же можно показать в презентации.
#
#   docker run --rm --network host --shm-size=1g -v <бэги>:/data \
#       -v <репо>/docker:/t:ro -v <куда>:/out flyguard bash /t/brain_test.sh /data/<бэг>
set -u
BAG="${1:?укажите путь к бэгу}"
OUT="${OUT:-/out}"
mkdir -p "$OUT"

ros2 launch flyguard detect.launch.py brain_view:=true > /tmp/node.log 2>&1 &
LAUNCH_PID=$!
for i in $(seq 1 30); do
    ros2 topic list 2>/dev/null | grep -q '^/flyguard/brain$' && break
    sleep 1
done
echo "топик /flyguard/brain объявлен через ${i} с"

python3 - "$OUT" > /tmp/brain.txt 2>&1 <<'PY' &
import sys, rclpy
from rclpy.node import Node
from sensor_msgs.msg import Image
import numpy as np, cv2

out = sys.argv[1]


class Grab(Node):
    def __init__(self):
        super().__init__("brain_grab")
        self.n = 0
        self.shapes = set()
        self.create_subscription(Image, "/flyguard/brain", self.cb, 10)

    def cb(self, m):
        self.n += 1
        a = np.frombuffer(m.data, np.uint8).reshape(m.height, m.width, -1)
        self.shapes.add((m.height, m.width, m.encoding, a.shape[2]))
        # берём каждый двадцатый кадр, чтобы картинки отличались
        if self.n % 20 == 1 and self.n < 200:
            img = a if m.encoding == "bgr8" else cv2.cvtColor(a, cv2.COLOR_RGB2BGR)
            cv2.imwrite(f"{out}/brain_{self.n:04d}.png", img)


rclpy.init()
g = Grab()
try:
    rclpy.spin(g)
except KeyboardInterrupt:
    pass
finally:
    print(f"кадров схемы принято: {g.n}")
    for s in g.shapes:
        print(f"размер {s[1]}x{s[0]}, кодировка {s[2]}, каналов {s[3]}")
PY
GRAB_PID=$!
sleep 2

ros2 bag play --read-ahead-queue-size 10 "$BAG" > /dev/null 2>&1

sleep 2
kill -INT $GRAB_PID 2>/dev/null || true
wait $GRAB_PID 2>/dev/null || true
kill $LAUNCH_PID 2>/dev/null || true
sleep 1

echo
cat /tmp/brain.txt
echo
ls -la "$OUT" | head -15