博主介绍✌ 专注于VUE,小程序安卓Java,python,物联网专业有18年开发经验长年从事毕业指导项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题我会尽力帮助你。一、研究目的本研究旨在构建一种基于大模型的汉字结构分析系统以解决传统手工规则方法在处理汉字形体多样性与复杂结构时所面临的局限。汉字作为表意文字其结构包含笔画、偏旁部首、声旁等层级信息这些信息对于文字识别、字体生成、语言学研究及教育辅助具有重要价值。然而现有的结构分析方法多依赖于人工标注的特征库或基于模板的匹配算法在面对新字体或手写体时往往表现出鲁棒性不足、适应性差的问题。随着大模型在自然语言处理与计算机视觉领域取得突破利用其强大的表征学习能力对汉字结构进行自动化分析具有可行性与前景。本研究的核心目标是设计并实现一套完整的汉字结构分析框架该框架将大模型与传统图像处理技术相结合首先通过图像分割模块获取字符轮廓再利用预训练的大模型对字符进行细粒度的笔画识别与偏旁部首定位随后构建层次化的结构树以呈现汉字内部的语义层级。系统将支持多种输入形式包括扫描文档、手写样本以及数字字体文件并能够输出结构化的JSON或XML描述便于后续任务如OCR纠错、字体风格迁移与语义检索的集成。为验证系统性能将在公开汉字结构标注数据集上进行定量评估并与现有基准方法进行对比重点考察识别准确率、推理速度与模型泛化能力。通过本研究预期实现以下贡献一是提供一种高效、可扩展的汉字结构分析工具为中文文本处理与数字人文研究提供技术支撑二是探索大模型在符号结构解析中的应用潜力为跨模态符号理解奠定基础三是构建可复现的实验平台促进学术界与工业界在汉字处理领域的合作。最终该系统将有助于提升中文信息处理系统的准确性与鲁棒性推动中文自然语言处理技术向更深层次发展。二、研究意义本研究所提出的基于大模型的汉字结构分析系统具有深远的学术与应用价值。首先在中文自然语言处理领域汉字结构信息是文本理解、情感分析与知识图谱构建的重要先行特征通过高精度的结构解析可显著提升字符识别率与语义抽取准确性从而为机器翻译、自动摘要等任务提供更可靠的输入。其次在数字化文献保护与文化遗产挖掘方面系统能够对古籍扫描图像进行细粒度的笔画与偏旁分解帮助研究者快速定位字形演变规律为文字学、书法学等跨学科研究提供可量化的数据支撑。再次在教育技术领域该系统可用于生成个性化的汉字学习路径依据学生书写习惯与错误类型自动推荐针对性练习从而提升汉字教学效率与学习效果。再者随着大模型在视觉与语言任务中的普适性本研究探索了符号结构解析的通用范式为其他表意文字如日语假名、越南字母等的结构分析提供可借鉴的方法论。最后在人工智能伦理与公平性方面系统通过公开透明的结构树输出降低了模型黑箱问题为汉字识别系统的可解释性与监管合规奠定基础。此外系统的模块化设计使其能够与现有OCR引擎、字体生成工具以及文本检索平台无缝集成形成完整的文字处理流水线。通过对结构信息的细粒度标注可进一步推动汉字表意机制研究为认知科学提供实验数据。与此同时该技术亦可在智能客服、语音交互等场景中提升中文输入法的精准度与个性化水平。系统所产生的结构化输出不仅能满足学术研究的严谨需求还能为工业界提供高效、可扩展的文字处理解决方案从而促进中文信息技术生态系统的整体升级。三、国内外研究现状国内外在汉字结构分析领域的研究历程可追溯至上世纪八十年代早期工作主要依赖人工规则与模板匹配利用字符的笔画序列、偏旁部首位置等信息构建结构树。此类方法在标准字体上表现良好但对变体字体、手写体以及不同书写风格的鲁棒性不足。随着机器学习技术的发展学者们开始尝试基于统计模型的字符分割与笔画识别利用支持向量机、隐马尔可夫模型等方法对字符进行分层分类。然而这些方法仍需大量人工特征工程且在大规模数据集上的扩展性有限。进入深度学习时代后卷积神经网络被广泛应用于汉字识别与结构解析。研究者如李某等在《基于CNN的汉字结构分割方法》中提出了多尺度卷积模块实现了对笔画位置的精准定位并通过聚类算法自动识别偏旁部首。张某团队则在《多任务学习框架下的汉字结构识别》一文中将字符识别与结构解析耦合为一个端到端网络显著提升了整体准确率。与此同时基于区域提议网络RPN的目标检测方法也被引入汉字结构分析能够在复杂背景下实现字符与笔画的精准检测。近年来Transformer及其变体在视觉任务中的表现引起了广泛关注。国内外研究者尝试将视觉TransformerViT与自监督学习相结合对汉字图像进行全局特征提取并通过注意力机制聚焦于关键笔画区域。李某等在《基于ViT的汉字结构分析》一文中展示了该方法在手写汉字数据集上的优越性能尤其在少样本场景下表现出较强的泛化能力。国外研究者如Kumar等则提出了多模态Transformer将图像与文字描述联合编码以实现对汉字结构的语义化解释为跨语言符号分析提供新思路。与此同时大模型的崛起为汉字结构分析注入了新的动力。OpenAI发布的GPT-4、Google的PaLM以及华为的MindSpore等平台均支持大规模中文预训练模型。研究者通过微调这些模型对汉字图像进行直接分类或生成结构化描述取得了显著效果。例如某团队利用GPT-4的视觉输入接口对扫描文档中的汉字进行逐笔画解析并输出JSON格式的结构树。该方法在多字体、多书写风格下均保持高准确率证明大模型在符号理解方面具有潜在优势。此外学术界也关注汉字结构分析在数字人文、文化遗产保护等领域的应用。国内高校与博物馆合作对古籍扫描图像进行结构化标注为后续的文本检索与书法研究提供数据支撑。国外机构如MIT与斯坦福大学则开展了跨学科项目探讨汉字结构演变规律与认知心理学的关联利用机器学习模型对历史汉字进行进化路径重构。总体来看国内外研究已从规则匹配、传统机器学习逐步过渡到深度卷积网络、Transformer以及大模型框架。主要研究方向集中在提高结构解析精度、增强跨字体与手写体的鲁棒性、降低人工标注成本以及拓展多模态与跨学科应用。然而现有方法仍面临模型可解释性不足、对极端变体字体适应性有限以及大规模标注数据缺乏等挑战。未来研究需要进一步探索符号结构的语义化表示、无监督或自监督学习策略以及将汉字结构分析与更广泛的语言理解任务深度融合。四、预期达到目标及解决的关键问题本研究的总体预期目标是构建一套能够在多种输入形式下实现高精度汉字结构解析的端到端系统该系统将基于大模型技术实现对笔画、偏旁部首以及整体结构层级的自动识别与可视化输出。具体而言系统需满足以下关键目标首先在标准字体与变体字体、印刷体与手写体之间保持统一的解析精度目标准确率不低于95%其次能够在低质量扫描或模糊图像中仍保持高召回率以适应数字化文献保护与古籍修复场景再次实现对结构树的可解释性展示使研究者能够直观地追踪模型决策过程最后系统需具备可扩展的接口支持与OCR引擎、字体生成工具以及文本检索平台的无缝集成从而为中文自然语言处理与数字人文研究提供统一的数据支撑。在实现上述目标的过程中研究将聚焦于三大技术方向数据层面、模型层面与系统集成层面。数据层面上计划构建一个包含多字体、多书写风格以及不同分辨率的汉字图像库并通过半自动标注工具完成笔画与偏旁部首的粗标注随后利用专家校对实现细粒度标注以形成高质量的训练集和评估集模型层面上将设计一种混合卷积-Transformer架构该架构在低层采用卷积模块提取局部笔画特征在高层采用自注意力机制捕捉全局结构关系并通过多任务学习同时预测笔画类别、偏旁位置与整体结构树系统集成层面上将实现模块化的前端图像预处理、后端结构解析与结果可视化支持批量处理与实时推理并通过模型蒸馏技术降低推理时的计算开销。然而在实现上述目标的过程中将面临若干关键问题。首先汉字形体多样性导致域间分布差异显著传统监督学习难以在少数标注样本上实现良好泛化其次细粒度结构标注成本高昂尤其是对手写体与古籍字体的笔画与偏旁定位需要大量人工干预第三大模型在视觉任务中的参数量巨大导致推理延迟与能耗过高不利于在资源受限环境下部署第四模型决策的黑箱特性限制了其在学术研究与法规合规场景中的可解释性第五图像噪声、光照变化与扫描失真等因素会严重影响笔画分割的准确性导致结构树构建错误最后如何将视觉特征与汉字语义信息对齐以实现更深层次的符号理解也是一个亟待解决的挑战。为克服上述难点研究计划采用多项技术手段在数据层面引入自监督预训练与数据增强策略如随机遮挡、旋转与尺度变换以提升模型对域变迁的鲁棒性在模型层面探索轻量化Transformer变体与知识蒸馏方法降低参数量并保持性能在可解释性方面设计可视化注意力图与梯度归因机制使研究者能够追踪关键笔画与偏旁的贡献在图像预处理层面引入鲁棒的去噪与光照补偿算法以提升低质量图像的解析效果在结构推理层面采用基于约束的树构建算法结合语言模型对偏旁语义进行校验从而减少误判。通过上述措施本研究有望实现高效、准确且可解释的汉字结构分析系统为中文信息处理与数字人文研究提供坚实技术支撑。五、研究内容本研究首先构建了一个多样化汉字图像数据集该数据集涵盖标准印刷体、变体字体、手写体以及古籍扫描样本并通过半自动标注工具完成笔画与偏旁部首的粗标注随后利用专家校对实现细粒度结构标签形成高质量训练与评估集合。随后在预处理阶段引入了图像增强与去噪技术包括随机遮挡、旋转、尺度变换以及光照补偿以提升模型对低质量图像的鲁棒性并通过基于连通域分析的字符分割算法实现精确的字符边界提取。随后在模型设计层面提出了一种混合卷积-Transformer架构该架构在低层采用多尺度卷积模块提取局部笔画特征在高层引入自注意力机制捕捉全局结构关系并通过多任务学习同时预测笔画类别、偏旁位置与整体结构树从而实现端到端的汉字结构解析。随后在训练策略层面采用自监督预训练与多任务微调相结合的方法利用大规模无标签图像进行对比学习预训练以提升模型对域变迁的适应性并通过知识蒸馏技术将大型模型压缩为轻量化版本以满足实时推理与资源受限环境的需求。随后在推理与系统集成层面设计了模块化的前端图像预处理、后端结构解析与结果可视化组件并通过基于约束的树构建算法结合语言模型对偏旁语义进行校验以减少误判并提升结构树的准确性。随后在实验评估阶段使用公开汉字结构标注数据集与自建数据集进行定量评估采用笔画识别准确率、偏旁定位召回率以及整体结构树F1分数等指标并通过对比实验验证所提混合架构相较于传统CNN或单一Transformer模型的优势。随后在消融研究中系统分析了卷积模块尺度、注意力层深度、预训练策略以及蒸馏比例对性能的影响以揭示各子模块的贡献与最优配置。最后本研究将所构建的汉字结构解析系统与OCR引擎、字体生成工具以及文本检索平台进行无缝集成形成完整的文字处理流水线并通过案例验证其在数字化文献保护、汉字教学辅助与中文自然语言处理等应用场景中的实用价值。六、需求分析用户需求方面首先需要满足学术研究者对汉字结构解析的高精度与可解释性的追求。研究人员在进行文字学、书法学以及古籍数字化时需要对汉字的笔画顺序、偏旁部首位置以及整体结构层级进行细粒度标注以便进行形体演变分析、字体风格对比以及语义关联研究。其次教育工作者与学习者希望通过系统生成的结构树来辅助汉字教学使学生能够直观地了解字形构造规律从而提升书写与识别能力。再次工业界的OCR厂商与数字内容平台需要一种可嵌入式的结构分析模块以增强字符识别后对文字语义的理解进而改进搜索检索、文本摘要以及多模态交互等功能。最后文化遗产保护机构与博物馆工作人员期望借助该系统对古籍扫描图像进行自动化结构标注为数字化修复与长期保存提供可靠的数据支持。综上所述用户需求涵盖了高精度、可解释性、易用性、可扩展性以及跨行业适用性的多维度要求。功能需求方面系统首先应实现多模态输入处理包括印刷体扫描图像、手写体照片以及矢量字体文件等多种格式并支持批量与实时推理模式。其次字符分割模块需具备鲁棒的连通域分析与去噪能力以在低质量图像中准确提取字符边界。随后结构解析模块应采用混合卷积-Transformer架构实现笔画类别预测、偏旁部首定位以及整体结构树生成并支持多任务学习与自监督预训练以提升跨域适应性。进一步系统需提供可视化结果展示功能包括结构树图、注意力热图与误差分析面板帮助用户快速定位解析错误并进行人工干预。再者系统应具备模型压缩与加速机制如知识蒸馏与量化技术以满足移动端或嵌入式设备的部署需求。最后系统接口层需提供标准化API与插件框架方便与OCR引擎、字体生成工具、文本检索平台以及教育软件无缝集成并支持结果的JSON/XML格式输出以满足后续数据处理与分析的需求。七、可行性分析经济可行性方面本项目的主要成本集中在数据采集与标注、模型训练与部署以及后期维护。通过与高校、图书馆及文化遗产机构合作可获得大量公开或共享的汉字图像资源降低数据采购费用采用半自动标注工具并结合专家校对可显著减少人工标注成本在模型训练阶段利用现有云计算平台的GPU集群与分布式训练框架可在几周内完成大模型微调从而缩短研发周期。系统上线后提供基于订阅或按需付费的API服务可为OCR厂商、教育软件和数字内容平台创造持续收益同时随着技术成熟与市场需求扩大规模化部署将进一步降低单件成本实现规模经济。综合来看该项目在投入产出比上具有较高的可行性并且具备获取政府科研基金、产业合作资助及风险投资的多元化融资渠道。社会可行性方面汉字结构分析系统能够显著提升中文信息处理与文化遗产保护的效率与质量。对于教育领域该系统可为汉字教学提供直观的结构树与笔画顺序可定制化学习路径帮助学生快速掌握书写规范在学术研究层面系统提供高精度结构标注为文字学、书法学及认知科学等跨学科研究提供可靠的数据基础在文化遗产保护方面系统能够自动对古籍扫描图像进行结构解析为数字化修复与长期保存提供可追溯的技术支持。与此同时该技术的推广将促进中文信息技术生态的发展提升国内外对汉字文化的认知与尊重具有积极的社会价值和正面影响。技术可行性方面现有的深度学习框架如PyTorch、TensorFlow已支持卷积-Transformer混合网络的构建与训练自监督预训练与多任务学习已在视觉领域得到广泛验证可直接迁移至汉字结构解析任务图像增强与去噪技术成熟能够有效处理低质量扫描图像知识蒸馏与模型量化技术可将大模型压缩至可在移动端或嵌入式设备上实时推理的规模。数据方面国内外已有公开的汉字结构标注数据集如CASIA-HWDB、THUOCL以及古籍图像资源可作为训练与评估基础若需进一步提升多样性可通过合成技术生成变体字体与手写体样本。硬件需求方面训练阶段需要数十个GPU节点即可完成而推理阶段可在单个GPU或CPU上实现低延迟推理。综上所述技术实现路径清晰、资源可获得、风险可控项目具备高度的技术可行性。八、功能分析系统功能模块可划分为六大层次分别为数据采集与管理、图像预处理与增强、字符分割与笔画提取、结构解析与多任务学习、结果后处理与可视化以及服务接口与部署。首先数据采集与管理模块负责从多源渠道获取汉字图像包括扫描文档、手写样本及矢量字体文件并对原始数据进行元信息标注如字体来源、书写者身份、采集设备等该模块还提供数据版本控制与标签管理功能以支持后续的训练与评估。其次图像预处理与增强模块对输入图像执行灰度化、去噪、光照补偿及尺寸归一化等操作并通过随机旋转、缩放与遮挡等技术扩增样本以提升模型对低质量或变形图像的鲁棒性。随后字符分割与笔画提取模块采用连通域分析与基于深度学习的边缘检测相结合的方法对单个汉字进行精确分割并利用卷积特征提取器对每个笔画进行粗略定位生成初步的笔画候选框。接下来结构解析与多任务学习模块是系统核心采用混合卷积-Transformer网络在低层提取局部笔画特征在高层聚合全局上下文信息该模块同时输出笔画类别、偏旁部首位置及整体结构树的节点关系并通过自监督预训练与多任务损失函数提升跨域适应性。随后结果后处理与可视化模块对模型输出进行约束校验利用语言模型对偏旁语义进行一致性检查并生成结构树图、笔画顺序热图以及误差分析报告供用户直观查看。最后服务接口与部署模块提供RESTful API与SDK使外部系统能够通过HTTP请求或本地调用方式获取结构解析结果该模块还支持模型压缩、量化与边缘化部署以满足移动端与云端的不同计算需求。整体流程从数据输入到结果输出形成闭环确保功能模块之间的逻辑衔接完整且高效。九、数据库设计TABLEUsers字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 用户唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式username | 用户名登录使用 | 50 | VARCHAR(50) | 唯一约束 |email | 邮箱地址通信使用 | 100 | VARCHAR(100) | 唯一约束 |password_hash | 密码哈希值安全存储 | 64 | CHAR(64) | |created_at | 账户创建时间戳 | 19 | DATETIME(6) | |updated_at | 最后更新时间戳 | 19 | DATETIME(6) | |TABLEProjects字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 项目唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式user_id | 所属用户ID外键指向Users.id | 36 | CHAR(36) | 外键Users.id|name | 项目名称简短描述 | 100 | VARCHAR(100) | |description | 项目详细说明可为空 | 5000 | TEXT | |created_at | 创建时间戳 | 19 | DATETIME(6) | |updated_at | 最后更新时间戳 | 19 | DATETIME(6) | |TABLEDatasets字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 数据集唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式project_id | 所属项目ID外键指向Projects.id | 36 | CHAR(36) | 外键Projects.id|name | 数据集名称简短描述 | 100 | VARCHAR(100) | |type | 数据集类型印刷、手写、古籍等 | 20 | VARCHAR(20) | |size_bytes | 数据集总大小字节数 | 20 | BIGINT UNSIGNED | |created_at | 创建时间戳 | 19 | DATETIME(6) | |updated_at | 最后更新时间戳 | 19 | DATETIME(6) | |TABLEImages字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 图像唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式dataset_id | 所属数据集ID外键指向Datasets.id | 36 | CHAR(36) | 外键Datasets.id|file_path | 存储路径或URL指向图像文件位置 | 255 | VARCHAR(255) | |width_px | 图像宽度像素数 | 10 | INT UNSIGNED | |height_px | 图像高度像素数 | 10 | INT UNSIGNED | |format | 图像格式如PNG、JPEG、TIFF等 | 10 | VARCHAR(10) | |created_at | 上传时间戳 | 19 | DATETIME(6) | |TABLEAnnotations字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 注释唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式image_id | 所属图像ID外键指向Images.id | 36 | CHAR(36) | 外键Images.id|label_type | 注释类型笔画、偏旁、结构树等 | 20 | VARCHAR(20) | |data_json | JSON格式的注释数据存储坐标、类别等信息 | 65535 | TEXT | |created_at | 创建时间戳 | 19 | DATETIME(6) | |TABLEModels字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 模型唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式project_id | 所属项目ID外键指向Projects.id | 36 | CHAR(36) | 外键Projects.id|name | 模型名称简短描述 | 100 | VARCHAR(100) | |architecture | 模型架构描述如Conv-Transformer混合网络等 | 200 | VARCHAR(200) | |parameters_count | 参数总数整数值 | 20 | BIGINT UNSIGNED | |created_at | 创建时间戳 | 19 | DATETIME(6) | |TABLETrainingJobs字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 训练作业唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式model_id | 所属模型ID外键指向Models.id | 36 | CHAR(36) | 外键Models.id|dataset_id | 用于训练的数据集ID外键指向Datasets.id | 36 | CHAR(36) | 外键Datasets.id|status | 作业状态queued、running、completed、failed等 | 20 | VARCHAR(20) | |start_time | 开始时间戳可为空 | 19 | DATETIME(6) | |end_time | 结束时间戳可为空 | 19 | DATETIME(6) | |log_path | 日志文件路径指向存储位置 | 255 | VARCHAR(255) | |TABLEResults字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 结果唯一标识符 | 36 | CHAR(36) | 主键 | UUID格式job_id | 所属训练作业ID外键指向TrainingJobs.id | 36 | CHAR(36) | 外键TrainingJobs.id|image_id | 处理图像ID外键指向Images.id可为空批量推理时 | 36 | CHAR(36) | 外键Images.id|output_json | JSON格式的结构解析结果包含笔画、偏旁、结构树等信息 | 65535 | TEXT | |confidence_score | 综合置信度分数浮点数0-1之间 | 10 | FLOAT UNSIGNED | |created_at | 创建时间戳 | 19 | DATETIME(6) | |以上表结构遵循第一范式主键唯一且无重复行外键约束保证参照完整性字段类型与大小根据实际存储需求精确划分满足数据库范式设计原则。十、建表语句CREATE TABLE Users (id CHAR(36) NOT NULL,username VARCHAR(50) NOT NULL,email VARCHAR(100) NOT NULL,password_hash CHAR(64) NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),updated_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6),PRIMARY KEY (id),UNIQUE KEY uq_users_username (username),UNIQUE KEY uq_users_email (email)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Projects (id CHAR(36) NOT NULL,user_id CHAR(36) NOT NULL,name VARCHAR(100) NOT NULL,description TEXT,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),updated_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_projects_user_id (user_id),CONSTRAINT fk_projects_user_id FOREIGN KEY (user_id) REFERENCES Users(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Datasets (id CHAR(36) NOT NULL,project_id CHAR(36) NOT NULL,name VARCHAR(100) NOT NULL,type VARCHAR(20) NOT NULL,size_bytes BIGINT UNSIGNED NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),updated_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6) ON UPDATE CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_datasets_project_id (project_id),CONSTRAINT fk_datasets_project_id FOREIGN KEY (project_id) REFERENCES Projects(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Images (id CHAR(36) NOT NULL,dataset_id CHAR(36) NOT NULL,file_path VARCHAR(255) NOT NULL,width_px INT UNSIGNED NOT NULL,height_px INT UNSIGNED NOT NULL,format VARCHAR(10) NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_images_dataset_id (dataset_id),CONSTRAINT fk_images_dataset_id FOREIGN KEY (dataset_id) REFERENCES Datasets(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Annotations (id CHAR(36) NOT NULL,image_id CHAR(36) NOT NULL,label_type VARCHAR(20) NOT NULL,data_json TEXT NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_annotations_image_id (image_id),CONSTRAINT fk_annotations_image_id FOREIGN KEY (image_id) REFERENCES Images(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Models (id CHAR(36) NOT NULL,project_id CHAR(36) NOT NULL,name VARCHAR(100) NOT NULL,architecture VARCHAR(200) NOT NULL,parameters_count BIGINT UNSIGNED NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_models_project_id (project_id),CONSTRAINT fk_models_project_id FOREIGN KEY (project_id) REFERENCES Projects(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE TrainingJobs (id CHAR(36) NOT NULL,model_id CHAR(36) NOT NULL,dataset_id CHAR(36) NOT NULL,status VARCHAR(20) NOT NULL,start_time DATETIME(6),end_time DATETIME(6),log_path VARCHAR(255),PRIMARY KEY (id),KEY idx_trainingjobs_model_id (model_id),KEY idx_trainingjobs_dataset_id (dataset_id),CONSTRAINT fk_trainingjobs_model_id FOREIGN KEY (model_id) REFERENCES Models(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_trainingjobs_dataset_id FOREIGN KEY (dataset_id) REFERENCES Datasets(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE Results (id CHAR(36) NOT NULL,job_id CHAR(36) NOT NULL,image_id CHAR(36),output_json TEXT NOT NULL,confidence_score FLOAT UNSIGNED NOT NULL,created_at DATETIME(6) NOT NULL DEFAULT CURRENT_TIMESTAMP(6),PRIMARY KEY (id),KEY idx_results_job_id (job_id),KEY idx_results_image_id (image_id),CONSTRAINT fk_results_job_id FOREIGN KEY (job_id) REFERENCES TrainingJobs(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_results_image_id FOREIGN KEY (image_id) REFERENCES Images(id) ON DELETE SET NULL ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方获取联系方式