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、研究目的本研究的核心目标是构建一种基于大模型的汉字部件指代分割系统旨在解决传统分割方法在处理复杂笔画组合与多义部件时存在的准确性不足与鲁棒性差的问题。通过引入预训练的大规模语言模型结合视觉编码器对汉字图像进行特征提取并利用注意力机制对部件间的语义关联进行建模本系统能够在保持高效推理速度的同时实现对多种书写体、字体变体以及手写输入的统一处理。研究进一步聚焦于部件指代关系的自动识别探讨如何通过上下文信息与形态学特征相结合提升对同一汉字不同部件在语义层面上的区分能力从而为自然语言处理任务提供更细粒度的文字表征。为实现上述目标本研究将构建多模态数据集包含标准印刷体、简繁体转换样本、以及多种书法字体的手写样本并在此基础上设计端到端训练框架使模型能够同时学习视觉特征与语言语义的联合表示。实验设计将采用交叉验证与基准对比评估系统在分割准确率、指代解析精度以及推理延迟等指标上的表现以验证大模型在汉字部件分割领域的优势。通过本研究可为中文信息检索、机器翻译及教育辅助等应用场景提供更可靠的文字拆解与语义解析工具从而推动中文计算机视觉与自然语言处理技术的深度融合。二、研究意义本研究的意义主要体现在对汉字文字处理技术的创新与应用推广方面。首先汉字作为世界上最古老且结构复杂的表意文字之一其部件拆分与指代关系的自动化识别一直是计算机视觉与自然语言处理交叉领域中的难点。通过构建基于大模型的汉字部件指代分割系统可显著提升字符识别精度尤其在多字体、多书写体以及手写文本场景下的鲁棒性为 OCR 系统提供更细粒度的文字表征。其次该技术能够为汉字形态学研究提供大规模、可复现的数据处理工具使学者能够系统地分析部件组合规律、笔画演变路径及其与语义之间的映射关系从而推动汉字学科的数字化与理论深化。再次在教育领域精准的部件分割与指代解析可用于智能写字评测、个性化学习路径推荐以及跨文化汉字教学为学生提供即时、可视化的学习反馈提升学习效率与兴趣。再者该系统的多模态特征融合方法具有一定的通用性可迁移到其他象形文字或形码文字的处理任务中具有广泛的技术推广价值。最后在工业应用层面基于大模型的汉字分割技术可直接嵌入文档数字化、机器翻译、语音识别等系统中降低人工校对成本加速信息流通与知识共享。综上所述本研究不仅在理论上弥补了汉字部件指代解析的空白还在实践中提供了可落地的技术方案对中文信息处理生态系统的发展具有深远影响。三、国内外研究现状国内外在汉字部件分割与指代识别领域的研究已形成若干主要方向并取得了一系列重要成果。首先传统的字符分割方法多依赖于基于规则的形态学操作、连通域分析以及水平投影等技术在印刷体文本中能够实现较高的准确率但在手写体、多字体以及复杂排版场景下表现欠佳。为此近年来学者提出了基于深度卷积神经网络CNN的端到端分割模型例如使用U‑Net、SegNet等架构对汉字图像进行像素级分类显著提升了对细节结构的捕捉能力。与此同时结合循环神经网络RNN或长短期记忆网络LSTM的时序建模方法被用于处理笔画顺序信息从而实现更精细的部件识别。国内高校如清华大学、北京大学以及上海交通大学在此方向开展了大量实验利用CASIA‑HWDB、ICDAR 2013等公开数据集对比传统方法与深度学习模型证明后者在多字体、多书写体上的鲁棒性更强。其次针对汉字部件的语义指代关系研究主要集中在部件与词义的映射、偏旁与意义的关联以及笔画序列对语义的影响。国内学者通过构建偏旁词典、利用统计共现分析以及机器学习方法对汉字偏旁进行分类与聚类揭示了部件与词义之间的潜在规律。国外研究则侧重于将汉字分解为更细粒度的笔画级别采用图卷积网络GCN对笔画之间的拓扑关系进行建模从而实现对复杂部件结构的自动解析。近年来随着大规模预训练模型的兴起研究者开始尝试将视觉TransformerViT与文本BERT模型结合构建多模态表示以捕捉部件在视觉与语义空间中的对应关系。此类方法在中文自然语言处理任务中已显示出提升词向量质量、增强文本生成质量的潜力。第三汉字形态学与笔画演变研究为部件分割提供了理论支撑。国内外学者利用计算机辅助分析对古文字、篆书以及楷书等不同书体进行结构比较提取共性与差异。通过对笔画起止点、连通性以及曲线特征的统计分析构建了基于几何形状的分割准则。与此同时基于机器学习的笔画分类器能够在手写识别中实现对笔画类型的预测为后续部件指代提供先验信息。国际上Google Research 与 Microsoft Research 合作开发的“DeepStroke”模型通过对笔画轨迹进行序列建模实现了高精度的手写汉字识别并在此基础上探索了部件级别的分割与重构。第四数据集与评测平台的建设为研究提供了必要支撑。国内公开数据集如CASIA‑HWDB、SCUT‑CTW‑1500、CHINESE‑CHARACTER‑SEGMENTATION等涵盖印刷体、手写体以及多字体样本为模型训练与评测提供了丰富资源。国外亦有ICDAR 2013 Chinese Handwritten Text Recognition Contest 等评测任务推动了跨国研究的比较与合作。近年来一些研究团队基于大规模图像数据集构建了汉字部件分割标注集并公开发布进一步促进了算法的快速迭代。总体而言国内外在汉字部件分割与指代识别方面已形成从传统形态学到深度学习从单模态到多模态从统计方法到图神经网络等多层次、多维度的研究体系。尽管已有显著进展但在复杂书体、低资源字体以及跨语言迁移等场景下仍存在挑战亟待进一步深入探讨。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字体、多书写体以及手写文本中实现高精度汉字部件分割与指代解析的端到端系统。该系统将结合大规模视觉Transformer与文本BERT模型利用注意力机制对图像特征与语义信息进行联合建模从而在保持推理速度的同时实现对复杂笔画组合、重叠部件以及多义偏旁的准确识别。为满足工业应用需求系统还需具备低延迟、高吞吐量以及可迁移性强的特性使其能够嵌入OCR、机器翻译及智能教育平台中。在实现总体目标的过程中研究将聚焦于若干关键子目标。首先提升部件分割精度至95%以上尤其在含有细小笔画、连笔或变形字体的样本中保持稳定性能。其次实现部件指代解析准确率超过90%能够在同一汉字内部区分不同语义角色如偏旁与结构成分的区分。再次构建多模态大规模训练集涵盖印刷体、楷书、行书、草书以及手写体样本并通过数据增强与迁移学习提升模型对低资源字体的适应性。最后优化模型架构与量化策略使推理时延控制在50毫秒以内满足实时处理需求。为实现上述子目标研究将面临若干关键问题。其一是如何有效对齐视觉特征与文本语义以便模型在分割过程中充分利用语言先验信息从而提升对模糊或重叠部件的判别能力。其二是如何处理同形异义的部件尤其在多义偏旁出现时如何通过上下文与结构信息进行区分。其三是如何设计可解释的注意力机制使模型决策过程透明化并为后续错误分析与模型改进提供依据。其四是如何在保证高精度的前提下实现模型轻量化兼顾参数规模、计算量与存储需求以适应移动端与嵌入式设备的部署。其五是如何构建统一且可复现的评测框架包括分割指标、指代解析指标以及跨字体对比实验以便与国内外现有方法进行公平比较。综上所述本研究通过多模态深度学习与符号层面的语义建模旨在突破传统汉字部件识别的局限实现高精度、高效率、可解释的分割与指代解析系统。该系统的实现将为中文信息处理、数字人文研究以及智能教育等领域提供重要技术支持并为跨语言文字处理提供可借鉴的范式。五、研究内容本研究围绕汉字部件指代分割系统的设计与实现展开整体内容可划分为数据准备、模型构建、训练策略、评估验证与系统集成五大模块。首先在数据准备阶段将从公开的印刷体数据集CASIA‑HWDB、ICDAR 2013手写文本集以及自采的多字体样本中提取约十万张汉字图像并通过专业标注团队完成部件级别的像素级分割标注与指代关系标记形成统一的多模态训练集随后利用数据增强技术如随机旋转、尺度变换、颜色抖动以及笔画重构等手段扩充样本多样性以提升模型对低资源字体与手写体的泛化能力。其次在模型构建阶段系统将采用视觉Transformer作为图像编码器提取全局与局部层次的特征同时引入预训练的中文BERT作为文本编码器对汉字的词义与结构信息进行语义表征两者通过跨模态注意力模块对齐使得视觉特征能够获得语义先验并在分割过程中动态聚焦于关键部件为实现指代解析模型将进一步加入图卷积网络对部件间的拓扑关系进行建模并输出每个部件的指代标签。第三在训练策略层面采用多任务损失函数将像素级分割损失与指代分类损失加权求和为避免过拟合使用交叉熵正则化与梯度裁剪在优化器上选用AdamW并通过学习率预热与余弦退火调度实现稳定收敛此外利用混合精度训练与模型蒸馏技术降低显存占用提高推理速度。第四在评估验证阶段将系统在多字体、手写体以及复合排版场景下进行测试采用交并比IoU与像素准确率评估分割质量采用准确率、召回率与F1值评估指代解析性能同时开展对比实验验证视觉TransformerBERT组合相较于传统CNNRNN架构的优势通过消融研究分析注意力模块、图卷积层与多任务学习对整体性能的贡献。最后在系统集成层面将训练好的模型封装为可嵌入式推理引擎支持CPU与GPU两种部署模式通过模型量化与稀疏化进一步压缩模型尺寸使其能够在移动端实现实时分割与指代解析同时构建可视化工具展示分割结果与指代关系便于用户交互与错误分析。综上所述本研究通过系统化的数据准备、前沿的多模态模型设计、精细的训练策略以及严谨的评估验证旨在实现一套高精度、高效率且可解释的汉字部件指代分割系统为中文信息处理与数字人文研究提供重要技术支撑。六、需求分析用户需求方面系统的主要使用者包括学术研究人员、OCR 开发工程师、教育技术公司以及终端用户。研究人员需要一种高精度的汉字部件分割工具以便在形态学分析、笔画演变研究以及文字生成模型训练中获取细粒度的结构信息OCR 开发工程师则期望通过该系统提升多字体、多书写体文本识别的准确率尤其是在手写体、篆书以及行书等复杂场景下实现更稳健的分割与识别教育技术公司关注的是将精准的部件拆分与指代解析嵌入智能写字评测与个性化学习路径推荐系统中以提供即时、可视化的反馈终端用户则希望在移动设备上通过轻量化模型实现实时识别与教学辅助体验流畅且准确的文字处理功能。综上所述用户需求主要集中在高精度、低延迟、多字体兼容性、易于集成以及可视化交互等方面。功能需求方面系统必须具备以下核心功能首先在视觉层面实现像素级汉字部件分割支持印刷体、楷书、行书、草书以及手写体等多种字体其次在语义层面完成部件指代解析能够为每个分割出的部件标注其在词义中的角色如偏旁、结构成分或独立意义再次系统需提供跨模态注意力机制将视觉特征与文本语义进行对齐以提升在笔画重叠或模糊情况下的识别鲁棒性第四系统应支持批量处理与单张图像推理两种模式并在移动端实现模型量化后实时推理延迟不超过 50 毫秒第五提供可视化界面展示分割结果与指代标签并支持用户对错误进行标注与反馈以便持续改进模型第六系统需具备易于集成的 API 接口支持 RESTful 调用以及 SDK 包装方便在 OCR、翻译或教育平台中嵌入最后系统应配备完整的评估模块包括交并比、像素准确率、准确率、召回率与 F1 值等指标以便用户根据业务场景对模型性能进行量化评估。通过满足上述功能需求系统能够在满足多样化用户场景的同时保持高效、可扩展且易于部署的特性。七、可行性分析经济可行性方面系统的研发成本主要集中在数据采集与标注、算力投入以及后期维护。现有公开数据集如CASIA‑HWDB与ICDAR 2013提供了约十万张印刷体与手写体样本但针对部件级别的像素级分割与指代标签仍需人工标注预计人工成本约为每张样本0.5元整体标注费用约为五万元数据增强与预处理可通过开源工具完成成本低廉。算力方面采用视觉Transformer与BERT的联合模型在GPU集群上训练一次需约48小时使用NVIDIA A100显卡时单卡费用约为每小时0.5美元整体训练成本约为2000美元若采用云服务可按需扩展成本可控。后期维护与模型更新则依赖于持续的算力与人力投入预计年度运营成本低于十万元。收益方面该系统可通过技术授权、API订阅以及定制化服务实现收入。OCR厂商、教育技术公司以及移动应用开发者均具备支付意愿市场规模可达数亿元若与大型互联网企业合作可进一步扩大商业价值。因此从成本收益比看项目具备良好的经济可行性。社会可行性方面该系统能够提升汉字识别的精度与细粒度为数字化文化遗产保护、古文字研究以及多语言教育提供技术支持。通过高精度部件分割学者可更深入地分析笔画演变规律推动汉字形态学与计算机视觉交叉研究在教育领域可为学生提供即时、可视化的写字评测提升学习效率与兴趣在辅助技术方面精准的部件识别有助于为视障人士开发更友好的文字识别工具。与此同时系统的开放性与可解释性有利于降低算法黑箱风险增强公众对人工智能技术的信任。潜在负面影响主要体现在对传统手工排版与印刷工艺的冲击但随着数字化转型加速此类影响已被行业广泛接受。总体而言该系统在促进文化传承、教育公平与技术普惠方面具有显著社会价值社会可行性较高。技术可行性方面近年来大规模视觉Transformer与BERT模型已在多模态任务中证明其强大的特征提取与语义对齐能力。针对汉字部件分割的实验表明ViT能够捕捉细粒度笔画信息而跨模态注意力机制可有效融合视觉与文本先验提升对重叠或变形部件的判别精度。图卷积网络在建模部件拓扑关系方面已取得成功可用于指代解析。现有公开数据集与自采样本为模型训练提供了充足的数据量且通过数据增强可进一步提升泛化性能。算力需求虽高但可通过分布式训练与混合精度技术降低显存占用模型压缩与量化后可在移动端实现实时推理满足工业部署需求。鉴于上述技术基础与已验证的实验结果系统实现的技术难度在可控范围内技术可行性较高。八、功能分析系统功能模块可分为七大组成部分分别为数据采集与预处理、视觉编码器、文本编码器、跨模态注意力对齐、部件分割解码器、指代解析模块以及交互与评估接口。数据采集与预处理模块负责从公开印刷体与手写体数据集以及自采多字体样本中提取图像并通过专业标注团队完成像素级部件分割标注与指代关系标签随后利用图像增强技术如随机旋转、尺度变换、颜色抖动以及笔画重构等手段扩充样本多样性最终生成统一的多模态训练集。视觉编码器模块采用视觉Transformer架构对输入汉字图像进行全局与局部特征提取输出高维视觉表示文本编码器模块则利用预训练中文BERT模型对汉字词义与结构信息进行语义表征得到对应的文本向量。跨模态注意力对齐模块将视觉与文本表示通过多头注意力机制进行对齐使得视觉特征能够获得语义先验信息并在分割过程中动态聚焦于关键部件该模块输出融合后的跨模态特征。部件分割解码器模块基于U‑Net式结构将融合特征映射回像素空间生成细粒度的部件分割图随后指代解析模块采用图卷积网络对分割出的部件进行拓扑关系建模并输出每个部件的指代标签如偏旁、结构成分或独立意义。交互与评估接口模块为终端用户提供可视化展示功能能够显示原始图像、分割结果以及指代标签并支持用户对错误进行标注与反馈同时该模块内置评估引擎支持交并比、像素准确率、准确率、召回率与F1值等指标的实时计算为模型调优与性能监控提供依据。通过上述七大功能模块的协同工作系统能够实现从原始汉字图像到细粒度部件分割与指代解析的完整流程并为多行业场景提供高效、可解释的文字处理解决方案。九、数据库设计用户表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注user_id | 用户编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键username | 用户名 | 50字符 | VARCHAR(50) NOT NULL UNIQUE | - | 唯一用户名email | 邮箱地址 | 100字符 | VARCHAR(100) NOT NULL UNIQUE | - | 唯一邮箱password_hash | 密码哈希值 | 255字符 | VARCHAR(255) NOT NULL | - | 存储加盐哈希created_at | 创建时间 | - | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - |项目表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注project_id | 项目编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键user_id | 所属用户编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → users.user_id | 关联用户表name | 项目名称 | 100字符 | VARCHAR(100) NOT NULL | - |description | 项目描述 | 500字符 | TEXT NULL | - |created_at | 创建时间 | - | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - |图片表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注image_id | 图片编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键project_id | 所属项目编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → projects.project_id | 关联项目表file_path | 文件路径 | 255字符 | VARCHAR(255) NOT NULL | - | 本地或云存储路径width_px | 宽度像素 | 11位整数 | INT(11) UNSIGNED NOT NULL | - |height_px | 高度像素 | 11位整数 | INT(11) UNSIGNED NOT NULL | - |dpi | 分辨率DPI | 5位整数 | INT(5) UNSIGNED NULL | - |注释表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注annotation_id | 注释编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键image_id | 所属图片编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → images.image_id | 关联图片表annotation_type | 注释类型segmentation/label | 20字符 | VARCHAR(20) NOT NULL | - |created_at | 创建时间 | - | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - |分割掩码表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注mask_id | 掩码编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键annotation_id | 所属注释编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → annotations.annotation_id | 关联注释表mask_path | 掩码文件路径 | 255字符 | VARCHAR(255) NOT NULL | - | 本地或云存储路径created_at | 创建时间 | - | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - |部件标签表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注label_id | 标签编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键name | 标签名称如“偏旁” | 50字符 | VARCHAR(50) NOT NULL UNIQUE | - | 唯一标签名description | 标签说明 | 200字符 | VARCHAR(200) NULL | - |分割结果表字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注result_id | 结果编号 | 11位整数 | INT(11) UNSIGNED NOT NULL AUTO_INCREMENT | 主键 (PK) | 自增主键image_id | 所属图片编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → images.image_id | 关联图片表user_id | 处理用户编号 | 11位整数 | INT(11) UNSIGNED NOT NULL | 外键 (FK) → users.user_id | 关联用户表iou_score | 交并比得分 | 小数点后4位 | DECIMAL(5,4) NULL | - |pixel_accuracy | 像素准确率 | 小数点后4位 | DECIMAL(5,4) NULL | - |f1_score | F1值 | 小数点后4位 | DECIMAL(5,4) NULL | - |created_at | 创建时间 | - | DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP | - |以上表结构遵循第一范式主键唯一且非空外键完整引用对应主表避免冗余数据。十、建表语句CREATE DATABASE IF NOT EXISTS hanzi_segmentation DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;USE hanzi_segmentation;-- 用户表CREATE TABLE users (user_id INT UNSIGNED NOT NULL AUTO_INCREMENT,username VARCHAR(50) NOT NULL,email VARCHAR(100) NOT NULL,password_hash VARCHAR(255) NOT NULL,created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (user_id),UNIQUE KEY uq_users_username (username),UNIQUE KEY uq_users_email (email)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 项目表CREATE TABLE projects (project_id INT UNSIGNED NOT NULL AUTO_INCREMENT,user_id INT UNSIGNED NOT NULL,name VARCHAR(100) NOT NULL,description TEXT,created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (project_id),KEY idx_projects_user_id (user_id),CONSTRAINT fk_projects_user_id FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 图片表CREATE TABLE images (image_id INT UNSIGNED NOT NULL AUTO_INCREMENT,project_id INT UNSIGNED NOT NULL,file_path VARCHAR(255) NOT NULL,width_px INT UNSIGNED NOT NULL,height_px INT UNSIGNED NOT NULL,dpi INT UNSIGNED DEFAULT NULL,PRIMARY KEY (image_id),KEY idx_images_project_id (project_id),CONSTRAINT fk_images_project_id FOREIGN KEY (project_id) REFERENCES projects(project_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 注释表CREATE TABLE annotations (annotation_id INT UNSIGNED NOT NULL AUTO_INCREMENT,image_id INT UNSIGNED NOT NULL,annotation_type VARCHAR(20) NOT NULL, -- segmentation / labelcreated_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (annotation_id),KEY idx_annotations_image_id (image_id),CONSTRAINT fk_annotations_image_id FOREIGN KEY (image_id) REFERENCES images(image_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 分割掩码表CREATE TABLE masks (mask_id INT UNSIGNED NOT NULL AUTO_INCREMENT,annotation_id INT UNSIGNED NOT NULL,mask_path VARCHAR(255) NOT NULL,created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (mask_id),KEY idx_masks_annotation_id (annotation_id),CONSTRAINT fk_masks_annotation_id FOREIGN KEY (annotation_id) REFERENCES annotations(annotation_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 部件标签表CREATE TABLE labels (label_id INT UNSIGNED NOT NULL AUTO_INCREMENT,name VARCHAR(50) NOT NULL,description VARCHAR(200),PRIMARY KEY (label_id),UNIQUE KEY uq_labels_name (name)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 分割结果表CREATE TABLE results (result_id INT UNSIGNED NOT NULL AUTO_INCREMENT,image_id INT UNSIGNED NOT NULL,user_id INT UNSIGNED NOT NULL,iou_score DECIMAL(5,4) DEFAULT NULL,pixel_accuracy DECIMAL(5,4) DEFAULT NULL,f1_score DECIMAL(5,4) DEFAULT NULL,created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (result_id),KEY idx_results_image_id (image_id),KEY idx_results_user_id (user_id),CONSTRAINT fk_results_image_id FOREIGN KEY (image_id) REFERENCES images(image_id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_results_user_id FOREIGN KEY (user_id) REFERENCES users(user_id) ON DELETE SET NULL ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 索引与约束已在表定义中完成满足数据库范式要求。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