"""LOBULA — колонковые детекторы объектов (аналог LC11) и сборка кандидатов.

В лобуле мухи сидят колонковые нейроны LC: каждый смотрит в свой участок поля
зрения и реагирует на **признак**, а не на картинку целиком. LC11 — детектор
мелкого объекта: он возбуждается компактным пятном, выделяющимся из фона, и
подавляется широкопольным движением, то есть собственным перемещением мухи.
Выход LC-популяции — не изображение, а короткий список «где что-то есть».

Здесь тем же занимается `find_candidates`: из ретинотопических масок улик
собираются связные пятна, для каждого считаются геометрические признаки, и
дальше по конвейеру идут уже десятки кандидатов вместо сотен тысяч лучей.

Решение о том, препятствие это или штатная конструкция тоннеля, здесь НЕ
принимается — этим занимаются грибовидное тело (знакомость) и центральный
комплекс (накопление улик по кадрам).
"""
from __future__ import annotations

from dataclasses import dataclass, field

import numpy as np
from scipy import ndimage

from .geometry import Corridor, TrackFrame
from .lamina import LaminaOutput, contrast_to_depth_gap

_NEIGHBOURS = np.ones((3, 3), bool)


@dataclass
class Candidate:
    """Кандидат в препятствия — компактная группа лучей."""

    d: float                 # расстояние вперёд, м
    u: float                 # смещение от оси пути, м
    h: float                 # высота над головкой рельса, м
    d_min: float             # ближняя граница, м
    h_min: float             # нижняя точка над рельсом, м — есть ли опора снизу
    width: float             # ширина, м
    height: float            # высота, м
    depth: float             # протяжённость вдоль пути, м
    containment: float       # доля лучей пятна, оставшихся внутри габарита, 0…1
    n_rays: int              # число лучей
    n_rings: int
    n_cols: int
    gap: float               # насколько ближе фона, м
    on: float                # ON-контраст, 1/м
    floor_deficit: float     # насколько раньше оборвался луч до полотна, м
    shadow: float            # доля тени (нет эха) сразу за объектом
    inten: float             # медианная интенсивность
    az_deg: float
    el_deg: float
    bbox: tuple[int, int, int, int]
    score: float = 0.0
    novelty: float = 1.0
    extra: dict = field(default_factory=dict)

    @property
    def area(self) -> float:
        return self.width * self.height


def cluster_by_depth(mask: np.ndarray, r: np.ndarray, *,
                     rel_tol: float = 0.06, abs_tol: float = 0.35,
                     col_reach: int = 3, row_reach: int = 2):
    """Связные компоненты с учётом разрыва по глубине.

    Обычная связность по соседству склеивает предмет со стеной, которая
    оказалась в том же месте изображения, но на сто метров дальше. Поэтому два
    соседних луча объединяются только если их дальности близки — допуск растёт
    с расстоянием, потому что и разрешение, и шум растут так же.

    Соседство берётся с запасом по азимуту (`col_reach`), чтобы пропуски эха
    внутри предмета не дробили его на части.

    Возвращает (labels, n_labels); метка 0 — фон.
    """
    idx = np.flatnonzero(mask.ravel())
    if idx.size == 0:
        return np.zeros(mask.shape, np.int32), 0

    h, w = mask.shape
    lut = np.full(mask.size, -1, np.int64)
    lut[idx] = np.arange(idx.size)
    ri = r.ravel()[idx]
    rows, cols = np.divmod(idx, w)

    src, dst = [], []
    for dr in range(0, row_reach + 1):
        for dc in range(-col_reach, col_reach + 1):
            if dr == 0 and dc <= 0:
                continue
            nr, nc = rows + dr, cols + dc
            ok = (nr < h) & (nc >= 0) & (nc < w)
            nb = lut[np.where(ok, nr * w + nc, 0)]
            ok &= nb >= 0
            if not ok.any():
                continue
            a = np.flatnonzero(ok)
            b = nb[ok]
            close = np.abs(ri[a] - ri[b]) <= (abs_tol + rel_tol * np.minimum(ri[a], ri[b]))
            if close.any():
                src.append(a[close])
                dst.append(b[close])

    n_nodes = idx.size
    if src:
        from scipy.sparse import coo_matrix
        from scipy.sparse.csgraph import connected_components
        s = np.concatenate(src)
        t = np.concatenate(dst)
        g = coo_matrix((np.ones(s.size, np.int8), (s, t)), shape=(n_nodes, n_nodes))
        n_comp, comp = connected_components(g, directed=False)
    else:
        n_comp = n_nodes
        comp = np.arange(n_nodes)

    labels = np.zeros(mask.size, np.int32)
    labels[idx] = comp + 1
    return labels.reshape(mask.shape), n_comp


def split_by_figure(labels: np.ndarray, n: int, r: np.ndarray,
                    figure: np.ndarray, *, max_depth: float, thr: float,
                    col_reach: int = 3, row_reach: int = 2, top: int = 0):
    """Вырезать фигуру из компоненты, растёкшейся по фону.

    Гладкая стена тоннеля связна по глубине от ближнего поля до горизонта:
    соседние лучи отличаются на сантиметры, и допуск сшивает их в одну
    компоненту длиной сто метров. Предмет у такой стены попадает в неё же
    и вместе с ней отбрасывается правилом `max_depth` — система слепнет
    именно там, где смотрит вдоль стены, а это опаснее лишней тревоги.

    Разорвать такую компоненту по дальности нельзя: предмет и стена рядом с
    ним стоят на одной дальности. Зато они по-разному **приближаются**. Вдоль
    фиксированного луча стена, параллельная движению, не приближается вовсе:
    поезд едет, точка пересечения скользит по стене, дальность не меняется.
    Предмет, обращённый к поезду, приближается ровно на пройденный путь.
    Отсюда `advance` ≈ 0 у фона и ≈ 1 у фигуры.

    Это и есть разделение фигуры и фона, которым у мухи занят канал
    T4/T5 → LPTC: широкопольный поток задаёт ожидание, а то, что движется
    иначе, становится фигурой.

    Второй, более сильный источник того же признака — **контраст ламины**.
    Гладкая стена по построению даёт нулевой центр-окружение: сколько бы ни
    менялась дальность вдоль стены, она меняется плавно, и центр равен своему
    окружению. Предмет на стене — это ступенька, и она видна. Замер на
    вставленном человеке (`roundT_pressureGate_roundT` и `roundT_doubleT`):
    при пороге 6 м порог проходят 85 % и 75 % лучей предмета против 0.13 % и
    0.22 % лучей фона, а сам фон распадается всего на 5–9 компонент в кадре
    вместо 1259 у разреза по допуску.

    Поэтому `figure` — любой покадровый признак «это не фон»: скорость
    сближения вдоль луча или контраст к окружению в метрах. Пересобираются
    только переглубокие компоненты и только по лучам с `figure > thr`;
    остальные метки не трогаются.

    `top` ограничивает число фигур, выносимых из одной компоненты, оставляя
    сильнейшие по признаку. Это не косметика, а необходимость: разрез отрезает
    фон, и протяжённость кандидата вдоль пути падает с 6.9 до 0.8 м — вместе с
    ней исчезает множитель компактности в весе улики, который до того давил
    конструкции в десять раз. Каждая лишняя фигура поэтому стоит дорого.
    Ограничение — тот же приём глобального торможения, которым APL оставляет
    активными считанные проценты клеток Кеньона. 0 — без ограничения.
    """
    if n == 0 or figure is None:
        return labels, n
    flat = labels.ravel()
    rr = r.ravel()
    adv = figure.ravel()
    order = np.argsort(flat, kind="stable")
    starts = np.searchsorted(flat[order], np.arange(n + 2))

    out, next_id, copied = labels, n, False
    for lbl in range(1, n + 1):
        idx = order[starts[lbl]:starts[lbl + 1]]
        if idx.size < 2:
            continue
        v = rr[idx]
        v = v[np.isfinite(v)]
        if v.size < 2 or float(v.max() - v.min()) <= max_depth:
            continue

        keep = idx[adv[idx] > thr]
        if keep.size < 4 or keep.size == idx.size:
            continue
        sub = np.zeros(labels.shape, bool)
        sub.ravel()[keep] = True
        parts, n2 = cluster_by_depth(sub, r, col_reach=col_reach, row_reach=row_reach)
        if n2 == 0:
            continue
        lbl_of = parts.ravel()[keep]
        if top > 0 and n2 > top:
            # сильнейшие по признаку: сумма превышения порога по всем лучам
            w = np.bincount(lbl_of, weights=adv[keep] - thr, minlength=n2 + 1)
            best = np.argsort(w[1:])[::-1][:top] + 1
            alive = np.isin(lbl_of, best)
            keep, lbl_of = keep[alive], lbl_of[alive]
            if keep.size < 4:
                continue
            # перенумеровать оставшиеся подряд
            _, lbl_of = np.unique(lbl_of, return_inverse=True)
            lbl_of += 1
            n2 = int(lbl_of.max())
        if not copied:
            out, copied = labels.copy(), True
        # фон этой компоненты уходит из рассмотрения: он и был бы отброшен
        out.ravel()[idx] = 0
        out.ravel()[keep] = next_id + lbl_of
        next_id += n2
    return out, next_id


def _core_zone(abs_lat: np.ndarray, d: np.ndarray, core_width: float,
               core_from: float) -> np.ndarray:
    """Где действует пониженный пол: в колее и не ближе core_from."""
    zone = abs_lat <= core_width
    if core_from > 0.0:
        with np.errstate(invalid="ignore"):
            zone = zone & (d >= core_from)
    return zone


def gauge_mask(tf: TrackFrame, corridor: Corridor, *, half_width: float,
               h_lo: float, h_hi: float, d_min: float, d_max: float,
               k_sigma: float = 0.0, h_lo_core: float = 1e9,
               core_width: float = 0.85, core_from: float = 0.0,
               platform_filter: bool = False,
               platform_u: float = 1.30, platform_h_lo: float = 1.05,
               platform_h_hi: float = 1.25,
               h_top: float = 0.0, half_width_top: float = 0.0,
               top_d_max: float = 90.0):
    """Лучи, попавшие в габарит приближения. Считается один раз на кадр.

    Нужны и для выделения кандидатов, и для накопителя веерного тела, поэтому
    вынесены отдельно: пересчитывать один и тот же набор масок дважды незачем.

    Верхняя секция (`h_top` > `h_hi`) — от `h_hi` до `h_top`, уже основной:
    |u| < `half_width_top`. Она ловит то, что свисает со свода в путь вагона,
    и не цепляет кабели и светильники на стенах, которые у круглого свода на
    этой высоте подходят к оси ближе полуширины габарита. Дальше `top_d_max`
    её нет: там ошибка наклона плоскости и оси пути поднимает и сдвигает к
    оси конструкции свода, и на пустых записях они шли в кандидаты сотнями.
    """
    lat = tf.lateral(corridor)
    abs_lat = np.abs(lat)
    in_range = tf.valid & (tf.d > d_min) & (tf.d < d_max)

    if k_sigma > 0.0:
        sig = corridor.sigma(tf.d)
        w_eff = half_width + k_sigma * np.maximum(sig - 0.25, 0.0)
    else:
        w_eff = half_width

    # Двухзонный пол: в межрельсовой колее (|u| <= core_width) порог h_lo_core (0.16 м),
    # чтобы не терять лежащего человека или низкие предметы. Опускается он
    # только дальше core_from: вблизи в полосу 0.16…0.28 м попадают головки
    # рельсов, и предмет теряется вместе с ними (EXPERIMENTS п. 16).
    floor_h = np.where(_core_zone(abs_lat, tf.d, core_width, core_from),
                       min(h_lo_core, h_lo), h_lo)

    inside = in_range & (abs_lat < w_eff) & (tf.h > floor_h) & (tf.h < h_hi)
    if h_top > h_hi and half_width_top > 0.0:
        inside |= (in_range & (tf.d < top_d_max) & (abs_lat < half_width_top)
                   & (tf.h >= h_hi) & (tf.h < h_top))

    if platform_filter:
        platform = (abs_lat >= platform_u) & (tf.h >= platform_h_lo) & (tf.h <= platform_h_hi)
        inside = inside & ~platform

    return inside, lat, in_range


def find_candidates(tf: TrackFrame, lam: LaminaOutput, corridor: Corridor, *,
                    half_width: float = 1.7, h_lo: float = 0.28, h_hi: float = 2.3,
                    d_min: float = 4.0, d_max: float = 220.0,
                    min_rays: int = 4, min_rays_far: int = 0,
                    min_rays_far_from: float = 90.0,
                    max_candidates: int = 64,
                    dilate_cols: int = 2, max_depth: float = 15.0,
                    ctx_up: float = 4.0, split_adv: float = 0.0,
                    split_gap: float = 0.0, split_near: float = 0.0,
                    near_long: float = 0.0,
                    split_top: int = 0,
                    advance: np.ndarray | None = None,
                    masks: tuple | None = None,
                    k_sigma: float = 0.0, h_lo_core: float = 1e9,
                    core_width: float = 0.85, core_from: float = 0.0,
                    platform_filter: bool = False,
                    platform_u: float = 1.30, platform_h_lo: float = 1.05,
                    platform_h_hi: float = 1.25,
                    h_top: float = 0.0, half_width_top: float = 0.0,
                    top_d_max: float = 90.0, top_detect: bool = False,
                    top_min_rays: int = 3) -> list[Candidate]:
    """Выделить кандидатов: связные пятна лучей, попавших в габарит.

    Кластеризация ведётся по **расширенной** области, а членство в габарите
    проверяется уже для готового пятна. Без этого вертикальный лоскут стены,
    срезанный границей коридора, неотличим от предмета: обрезка сама создаёт
    компактное пятно нужного размера. Доля лучей, оставшихся внутри габарита
    (`containment`), сразу показывает, предмет это целиком или край стены.
    """
    if masks is None:
        masks = gauge_mask(tf, corridor, half_width=half_width, h_lo=h_lo,
                           h_hi=h_hi, d_min=d_min, d_max=d_max,
                           k_sigma=k_sigma, h_lo_core=h_lo_core,
                           core_width=core_width, core_from=core_from,
                           platform_filter=platform_filter,
                           platform_u=platform_u, platform_h_lo=platform_h_lo,
                           platform_h_hi=platform_h_hi)
    inside, lat, in_range = masks
    if not inside.any():
        return []

    # Контекст расширяется в стороны и вверх, но НЕ вниз: полотно пути проходит
    # прямо под каждым предметом и на большой дальности попадает в тот же допуск
    # по глубине, так что расширение вниз склеило бы любой объект с полом.
    # Вверх, наоборот, нужно доставать до свода: колонна и рама крепи идут от
    # полотна до потолка, и если обрезать контекст на полпути, срез сам выглядит
    # компактным предметом ростом с габарит.
    abs_lat = np.abs(lat)
    if k_sigma > 0.0:
        sig = corridor.sigma(tf.d)
        w_ctx = half_width + 1.6 + k_sigma * np.maximum(sig - 0.25, 0.0)
    else:
        w_ctx = half_width + 1.6

    floor_h = np.where(_core_zone(abs_lat, tf.d, core_width, core_from),
                       min(h_lo_core, h_lo), h_lo)
    context = (in_range & (abs_lat < w_ctx)
               & (tf.h > floor_h) & (tf.h < h_hi + ctx_up))

    if platform_filter:
        platform = (abs_lat >= platform_u) & (tf.h >= platform_h_lo) & (tf.h <= platform_h_hi)
        context = context & ~platform

    gap_img = contrast_to_depth_gap(lam.on, tf.r)

    labels, n = cluster_by_depth(context, tf.r, col_reach=dilate_cols + 1)
    if n == 0:
        return []
    if split_gap > 0:
        # Контраст к окружению как признак фигуры. Если задан и порог движения,
        # выполняются оба условия сразу: стена должна и приближаться как предмет,
        # и торчать из своего окружения.
        fig = gap_img if (split_adv <= 0 or advance is None) else             np.where(advance > split_adv, gap_img, 0.0)
        if split_near > 0:
            # Ближе этой дальности разрез был выключен целиком, и причина
            # стояла в комментарии неверная: считалось, что вблизи предмет со
            # стеной не слипается. Замер показал обратное — на 6…30 м предмет,
            # смещённый от оси на 0.9 м, теряется в 34 % наблюдений против 1 %
            # на самой оси, и хуже всего там, где есть платформа. Он уходит
            # вместе с её кромкой.
            #
            # Резать вблизи всё подряд дорого: обстановки, дающей контраст, в
            # ближнем поле на порядок больше. Поэтому режем только компоненты,
            # СЛИШКОМ РАСТЯНУТЫЕ по глубине, чтобы быть предметом: человек
            # занимает по дальности десятки сантиметров, кромка платформы и
            # стена — десятки метров. Мерой служит разброс дальности внутри
            # компоненты (две свёртки по меткам, доли миллисекунды).
            near = tf.d <= split_near
            if near_long > 0.0 and n > 0:
                lab = labels.ravel()
                rr = np.where(np.isfinite(tf.r), tf.r, 0.0).ravel()
                cnt = np.bincount(lab, minlength=n + 1).astype(np.float64)
                s1 = np.bincount(lab, weights=rr, minlength=n + 1)
                s2 = np.bincount(lab, weights=rr * rr, minlength=n + 1)
                c = np.maximum(cnt, 1.0)
                var = np.maximum(s2 / c - (s1 / c) ** 2, 0.0)
                stretched = np.sqrt(var) > near_long
                stretched[0] = False
                near = near & ~stretched[labels]
            fig = np.where(near, 0.0, fig)
        labels, n = split_by_figure(labels, n, tf.r, fig, max_depth=max_depth,
                                    thr=split_gap, col_reach=dilate_cols + 1,
                                    top=split_top)
    elif split_adv > 0 and advance is not None:
        labels, n = split_by_figure(labels, n, tf.r, advance, max_depth=max_depth,
                                    thr=split_adv, col_reach=dilate_cols + 1)

    flat = labels.ravel()
    counts = np.bincount(flat, minlength=n + 1)
    counts[0] = 0
    inner = np.bincount(flat, weights=inside.ravel().astype(np.float64), minlength=n + 1)
    inner[0] = 0
    # Сколько лучей достаточно, чтобы считать компоненту кандидатом. Вблизи
    # обрывок из трёх лучей — это кусок чего-то большего, и он только
    # дробит настоящий предмет: замер даёт P@50 у человека 0.70 → 0.64,
    # если разрешить тройки везде. Вдали три луча — всё, что вообще есть
    # (медиана на 150 м — шесть), и запрет отсекает предмет целиком.
    # Поэтому порог зависит от дальности, как и нормировка числа лучей в
    # `_quality`. 0 — не различать (EXPERIMENTS п. 12.5).
    need = np.full(inner.shape, float(min_rays))
    if min_rays_far > 0:
        din = np.where(inside, np.nan_to_num(tf.d, nan=0.0, posinf=0.0), 0.0)
        dsum = np.bincount(flat, weights=din.ravel().astype(np.float64),
                           minlength=n + 1)
        dmean = dsum / np.maximum(inner, 1.0)
        need = np.where(dmean >= min_rays_far_from, float(min_rays_far),
                        float(min_rays))
    keep = np.flatnonzero(inner >= need)
    if keep.size == 0:
        return []
    if keep.size > max_candidates:
        keep = keep[np.argsort(inner[keep])[::-1][:max_candidates]]

    with np.errstate(invalid="ignore"):
        deficit = np.where(np.isfinite(tf.floor_r), tf.floor_r - tf.r, 0.0)
    deficit = np.where(tf.valid & (deficit > 0), deficit, 0.0).astype(np.float32)

    order = np.argsort(labels.ravel(), kind="stable")
    sorted_lbl = labels.ravel()[order]
    starts = np.searchsorted(sorted_lbl, np.arange(n + 2))

    width_img = labels.shape[1]

    def build(sel: np.ndarray, n_ctx: int) -> Candidate | None:
        """Кандидат по лучам ядра `sel` (плоские индексы) из компоненты в `n_ctx` лучей."""
        ii, jj = np.divmod(sel, width_img)
        d = tf.d[ii, jj]
        u = lat[ii, jj]
        h = tf.h[ii, jj]
        nn = d.size
        depth = float(d.max() - d.min()) if nn > 1 else 0.0
        if depth > max_depth:
            # ни один посторонний предмет не тянется на десятки метров вдоль пути:
            # это полотно, стена или кабельный лоток, взятые под скользящим углом
            return None
        cand = Candidate(
            d=float(np.median(d)), u=float(np.median(u)), h=float(np.median(h)),
            d_min=float(d.min()), h_min=float(h.min()),
            width=float(u.max() - u.min()) if nn > 1 else 0.0,
            height=float(h.max() - h.min()) if nn > 1 else 0.0,
            depth=depth,
            containment=float(sel.size / max(n_ctx, 1)),
            n_rays=int(nn), n_rings=int(np.unique(ii).size), n_cols=int(np.unique(jj).size),
            gap=float(np.median(gap_img[ii, jj])),
            on=float(np.median(lam.on[ii, jj])),
            floor_deficit=float(np.median(deficit[ii, jj])),
            shadow=float(np.median(lam.hole[ii, jj])),
            inten=float(np.median(tf.inten[ii, jj])),
            az_deg=float(np.mean(tf.layout.az_grid_deg[jj])),
            el_deg=float(np.mean(tf.layout.el_deg[ii])),
            bbox=(int(ii.min()), int(ii.max()), int(jj.min()), int(jj.max())),
        )
        # индексы лучей нужны только для отладочной визуализации; они небольшие
        cand.extra["rays"] = (ii, jj)
        return cand

    use_top = top_detect and h_top > h_hi and half_width_top > 0.0
    h_flat = tf.h.ravel()
    inside_flat = inside.ravel()
    out: list[Candidate] = []
    for lbl in keep:
        ctx_idx = order[starts[lbl]:starts[lbl + 1]]
        sel = ctx_idx[inside_flat[ctx_idx]]          # признаки считаем по ядру в габарите
        if sel.size < need[lbl]:
            continue
        if use_top and np.all(h_flat[sel] >= h_hi):
            # целиком в верхней секции: это работа отдельного прохода ниже —
            # здесь такой кандидат склеен со сводом и только двоил бы трек
            continue
        cand = build(sel, ctx_idx.size)
        if cand is not None:
            out.append(cand)

    if use_top:
        out += _hanging(tf, abs_lat, in_range, build, h_hi=h_hi, h_top=h_top,
                        half_width_top=half_width_top, top_d_max=top_d_max,
                        min_rays=top_min_rays, col_reach=dilate_cols + 1)

    out.sort(key=lambda c: c.d)
    return out


def _hanging(tf: TrackFrame, abs_lat, in_range, build, *, h_hi: float, h_top: float,
             half_width_top: float, top_d_max: float, min_rays: int,
             col_reach: int, margin_u: float = 0.3, below: float = 0.4) -> list[Candidate]:
    """Свисающее со свода в путь вагона: отдельный проход по верхней секции.

    Основной проход тянет контекст до свода, чтобы колонна не выглядела
    предметом, — и поэтому всё, что свисает с потолка, склеивается со сводом:
    доля лучей в габарите у стержня из синтетики организаторов была ноль.
    Просто не пускать свод в контекст нельзя: тогда освобождаются и стоящие
    конструкции, прицепленные к своду, — на `roundT_doubleT` так вышла тревога
    на светофоре у стрелки. Поэтому здесь свой проход: контекст — только сама
    верхняя секция с запасом `margin_u` по сторонам и `below` вниз. Компонента,
    у которой есть лучи ниже `h_hi`, продолжается к полу: это стоящий предмет
    (столб, светофор, человек высокого роста), и его ведёт основной проход.
    Висящему не нужна опора снизу, и обученное считывание его не судит
    (см. central_complex._quality, `top_from`). EXPERIMENTS п. 19.
    """
    band = (in_range & (tf.d < top_d_max) & (abs_lat < half_width_top)
            & (tf.h >= h_hi) & (tf.h < h_top))
    if not band.any():
        return []
    ext = (in_range & (tf.d < top_d_max) & (abs_lat < half_width_top + margin_u)
           & (tf.h > h_hi - below) & (tf.h < h_top))
    labels, n = cluster_by_depth(ext, tf.r, col_reach=col_reach)
    if n == 0:
        return []
    flat_lbl = labels.ravel()
    order = np.argsort(flat_lbl, kind="stable")
    starts = np.searchsorted(flat_lbl[order], np.arange(n + 2))
    band_flat = band.ravel()
    low_flat = (tf.h < h_hi).ravel()
    out = []
    for lbl in range(1, n + 1):
        idx = order[starts[lbl]:starts[lbl + 1]]
        if idx.size < min_rays or low_flat[idx].any():
            continue
        sel = idx[band_flat[idx]]
        if sel.size < min_rays:
            continue
        cand = build(sel, idx.size)
        if cand is None:
            continue
        if cand.height < 0.1 and cand.h_min > h_top - 0.2:
            # Плоское у самой верхней границы — это свод: на 80–90 м ошибка
            # наклона плоскости пути опускает его в секцию (на `squareT_…`
            # так вышла тревога на 83 м, высота 3.66–3.69 м при границе 3.7).
            # Свисающее начинается ниже и имеет высоту.
            continue
        cand.extra["top"] = True
        out.append(cand)
    return out