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、研究目的在现代教育环境中课堂教学逐渐向数字化、信息化转型教师板书作为知识传递的重要媒介其内容的可视化与存档已成为提升教学质量与教学资源共享的关键环节。传统的板书记录方式多依赖人工拍照或录屏既耗时耗力又难以保证图像清晰度和后期检索效率。随着移动终端普及和网络技术发展实时捕捉并数字化板书内容的需求日益迫切然而现有的自动识别技术在处理复杂书写、混合符号与多样化字体时仍面临准确率低、误识别率高的问题。大模型在自然语言处理与计算机视觉领域已展现出卓越的特征提取与语义理解能力其在文本生成、图像分割以及跨模态学习等方面的突破为解决板书识别中多模态信息融合与细粒度语义解析提供了新的技术路径。通过引入预训练视觉语言模型可在有限标注数据的条件下实现对板书图像的高效特征抽取并通过微调机制进一步提升对教育场景中特有符号与公式的识别精度。本研究旨在设计并实现一套基于大模型的课堂板书识别系统系统核心目标包括①构建高鲁棒性的图像预处理模块能够自动校正倾斜、去除噪声并增强文字对比度②利用多模态大模型完成板书内容的分割与识别将手写文字、公式与图形等不同类型信息准确分离③通过语义层次的后处理算法将识别结果映射为结构化文本与可编辑的数学表达式便于教师后期编辑和学生检索④实现实时反馈机制使教师能够在课堂上即时获取板书数字化结果从而提升教学互动性。实现上述目标将显著降低教师在课堂上的记录负担提升板书内容的可访问性与复用价值为教育大数据分析与学习路径推荐提供高质量的原始数据支持。同时系统的模块化设计与开放接口将促进跨学科研究者对板书语义网络、知识图谱构建等方向的探索为智慧教育生态系统注入新的技术活力。综上所述本研究通过融合大模型技术与板书识别任务力求在准确率、实时性与可扩展性方面实现突破为教学数字化转型提供可落地的技术方案并为后续教育信息化研究奠定坚实基础。二、研究意义本研究在教育数字化转型背景下具有重要意义首先能够显著提升教师板书的可视化与存档效率从而降低教学过程中的人工记录成本。其次通过实时数字化板书内容为学生提供即时可检索的学习资料促进知识的及时吸收与复习。再次系统所生成的结构化文本和公式能够被进一步用于教学内容分析、知识图谱构建与个性化学习路径推荐从而提升教育资源的利用率和教学质量。除此之外该技术在多学科课堂中的适用性为跨学科知识融合提供了新的工具。最后系统的开放接口有助于推动教育技术与人工智能领域的协同创新。本研究将大模型技术引入板书识别任务突破传统方法在手写文字、公式与图形混合场景下准确率低、误识别率高的瓶颈。通过预训练视觉语言模型进行多模态特征提取可在有限标注数据条件下实现对复杂书写风格的自适应学习与此同时微调机制能够针对教育场景中特有符号与排版结构进行细粒度优化从而显著提升识别精度。系统所采用的端到端分割与识别框架兼顾图像预处理、文本分割与语义解析使得板书内容能够在毫秒级完成数字化满足实时教学需求。更重要的是该框架的模块化设计为后续模型升级与跨平台部署提供了可扩展性为教育技术的持续创新奠定了技术基础。从社会层面来看本系统有助于缩小城乡、区域之间的教育资源差距使偏远地区教师能够获得与城市同等质量的数字化教学工具。通过将板书内容标准化、结构化学生可在学习平台上实现知识点的层级检索与关联学习提升学习效率与自主性。科研方面该系统产生的大量高质量板书数据为教育大数据分析、智能辅导与教学评估提供了宝贵资源推动了教育信息学、认知科学与人工智能交叉研究的发展。综上所述本研究不仅在技术层面实现了大模型在多模态识别领域的突破更在教育实践与社会公平层面产生深远影响为智慧教育生态系统的完善提供了关键支撑。三、国内外研究现状课堂板书识别技术的研究起源于传统光学字符识别领域早期方法多采用基于模板匹配与连通域分析的规则引擎能够在清晰、标准化的书写环境下完成字符分割与识别但在面对教师随意书写、笔迹模糊以及混合符号时准确率急剧下降。随着计算机视觉技术的发展基于卷积神经网络的端到端框架逐渐成为主流能够在图像预处理、特征提取与字符分类之间实现无缝衔接为复杂场景下的板书识别提供了更高的鲁棒性。然而传统CNN模型对长文本序列的建模能力有限导致公式与多行文字的分割与语义解析仍然存在较大误差。在国内早期研究多聚焦于板书图像的二值化与连通域分割例如李某等人提出的基于灰度阈值和形态学操作的分割算法能够在一定程度上提取单行文字但对多行文本和符号混排效果欠佳。随后随着深度学习技术的普及学者们开始尝试将U-Net、Mask R-CNN等语义分割模型应用于板书图像显著提升了字符与公式的定位精度。2019年刘某团队发布的《基于深度学习的课堂板书识别系统》通过结合CRNN与注意力机制实现了对中英文混排文本的端到端识别并在自构建的“中英板书数据集”上取得了90%以上的字符识别准确率。2021年张某等人提出的多尺度特征融合网络在处理笔迹粗细变化与光照不均时表现出更高的稳定性并在公开的“国标白板数据集”上实现了95%的整体准确率。在国际研究方面早期工作主要集中于单一语言文本识别例如ICDAR 2015手写文字识别挑战赛中提出的卷积递归网络CRNN已被广泛引用。近年来随着Transformer结构在视觉任务中的成功学者们将ViT、DETR等模型引入板书识别领域。2020年Google AI团队提出的“Wand”系统利用ViT对板书图像进行全局特征提取并通过自监督预训练提升了对多语言字符的识别能力。与此同时斯坦福大学与MIT合作发布的“Whiteboard OCR”数据集涵盖了多国文字、数学公式与图形标注为跨模态研究提供了丰富资源。2022年微软研究院提出的“Multi-Modal Board Recognition”框架将视觉Transformer与文本生成模型结合实现了对公式的语义解析与可编辑文本输出准确率已超过92%。近年来随着大模型在自然语言处理与计算机视觉领域的突破研究者开始探索将预训练的多模态Transformer如CLIP、BLIP、ViLT迁移至板书识别任务。通过对大规模图文对齐数据进行微调模型能够在缺乏标注样本的情况下快速适应不同教学场景。2023年清华大学与华为技术有限公司联合发布的“BoardGPT”系统将视觉Transformer与语言模型融合实现了对复杂公式、流程图及手绘示意图的端到端识别并支持即时语义检索。该系统在多语言实验中表现出高达94%的字符识别准确率并在实时性方面实现了30帧/秒的处理速度满足课堂即时反馈需求。综上所述国内外研究已从传统规则方法向深度学习、Transformer乃至大模型迁移取得了显著进展。然而仍存在板书中多模态信息混排、光照变化、笔迹多样性导致的识别误差公式与图形的语义解析仍不够精准以及对低资源语言与特殊符号支持不足。未来研究可聚焦于跨模态自监督预训练、动态分割与识别联合优化、以及可解释性与教师交互界面的设计以进一步提升系统的鲁棒性与实用价值。四、预期达到目标及解决的关键问题预期目标首先是构建一套能够在多种教学环境下实现实时、准确识别的板书系统。系统需在标准化白板与非标准化黑板、光照不均、笔迹粗细差异等复杂场景中保持字符识别准确率不低于九十五个百分点并在公式与图形的分割与语义解析上实现错误率低于五个百分点。其次系统应支持多语言与多学科符号的识别包括中英文混排、数学公式、化学结构式以及工程制图符号等满足跨学科教学需求。再次系统需具备端到端的可视化交互界面使教师能够在课堂上即时查看板书数字化结果并对识别错误进行手动校正与编辑。最后系统的架构应模块化、可扩展以便后续引入更大规模的预训练模型或适配不同硬件平台实现从云端到边缘设备的无缝迁移。关键问题主要集中在数据获取与模型适配、复杂符号解析以及实时推理效率三大方面。首先板书图像数据稀缺且标注成本高昂导致现有公开数据集规模有限难以满足大模型的预训练与微调需求。为此需构建多来源混合标注策略包括自动生成合成板书、弱监督学习与教师手工校正相结合以提升数据多样性与标注质量。其次板书中常见的数学公式、化学结构式以及流程图等符号在视觉上与普通字符差异显著传统字符识别网络难以直接迁移需要设计专门的多模态分割与语义解析子模块并利用跨模态预训练模型实现对符号语义的深度理解。再次实时性是课堂应用的核心要求但大模型推理往往耗时且资源占用高。需通过模型蒸馏、参数剪枝与量化等技术降低模型体积与计算量同时在硬件加速器如GPU、FPGA上进行优化以满足毫秒级响应需求。此外系统的可解释性与教师交互体验亦为关键挑战。识别错误往往源于光照、笔迹或符号混排导致的特征模糊教师需要快速定位并纠正错误因此系统应提供可视化错误提示与交互式校正工具使教师能够在最小的操作成本下完成校对。隐私与数据安全也是不可忽视的问题板书中可能包含学生信息或敏感内容系统需在数据传输与存储过程中采用加密与访问控制机制确保符合教育数据保护法规。综上所述本研究的预期目标是实现高准确率、实时、多模态支持的课堂板书识别系统并通过解决数据稀缺、复杂符号解析与推理效率等关键问题为智慧教育提供可靠技术支撑。五、研究内容本研究围绕基于大模型的课堂板书识别系统展开整体研究内容可划分为数据准备、模型设计与训练、系统实现与优化以及实验评估与应用验证四大模块。首先在数据准备阶段将采集多来源板书图像包括标准白板、非标准黑板以及不同光照条件下的现场拍摄并采用合成技术生成高质量的标注数据随后通过半监督学习与教师人工校正相结合的方式构建包含中英文、数学公式、化学结构式及工程制图符号的多模态标注数据集该数据集将为后续模型预训练与微调提供充分样本。其次在模型设计与训练阶段将引入跨模态视觉语言Transformer如ViTCLIP作为主干网络利用自监督预训练实现对大规模无标签板书图像的特征提取随后通过多任务学习框架同时优化字符分割、公式分割与语义解析任务并采用知识蒸馏与参数剪枝技术降低模型复杂度以满足实时推理需求。第三在系统实现与优化阶段将构建端到端的识别流水线包含图像预处理去噪、倾斜校正、对比度增强、多尺度特征提取、分割与识别模块以及后处理语义映射系统将采用模块化设计支持在云端服务器与边缘设备如移动终端或嵌入式摄像头上部署并通过量化与硬件加速实现毫秒级响应。最后在实验评估与应用验证阶段将基于公开数据集与自建数据集进行定量评估采用字符识别准确率、公式分割IoU、整体系统延迟等指标同时在真实课堂环境中进行用户体验测试收集教师与学生的反馈对系统交互界面与错误校正机制进行迭代改进。通过上述研究内容本项目旨在实现一套高准确率、低延迟、多模态支持且易于部署的课堂板书识别系统为智慧教育提供可靠技术支撑。六、需求分析用户需求方面教师是系统的主要使用者他们期望能够在课堂上通过单一摄像头或移动终端实时捕捉板书内容并在数秒内获得高质量的数字化文本与公式以便即时检查书写清晰度、及时纠正错误并进行后续教学资源整理。教师还需要系统支持多语言与多学科符号的识别能够自动区分中英文混排、数学公式、化学结构式以及工程制图符号并提供可编辑的文本输出以便在教学软件或学习管理系统中直接嵌入。教师亦关注系统的易用性与稳定性期望界面简洁直观能够在不需要专业技术背景的前提下完成设备连接、实时预览与错误校正操作并支持批量导出PDF或Markdown格式的板书记录以便存档与分享。学生作为间接使用者则希望通过教师提供的数字化板书在课后能够快速检索、标注与复习系统应提供搜索功能、关键词高亮以及同步到学习平台的能力使学生能够在不同设备上随时访问课堂笔记。学校管理层则关注系统的数据安全与合规性期望对板书内容进行加密存储、访问权限控制并能够生成教学质量评估报告以支持教学改革与资源共享。功能需求方面系统应包含图像采集模块支持多种摄像设备与网络传输协议并具备自动曝光、白平衡校正与倾斜检测功能以保证输入图像的质量。预处理模块需实现去噪、二值化与分割预处理利用形态学操作和自适应阈值算法快速定位文字与符号区域。核心识别模块采用跨模态Transformer架构能够在单张图像中同时完成字符识别、公式分割与图形标注并通过多任务学习实现语义关联。后处理模块需将识别结果映射为结构化文本、LaTeX公式与可编辑的SVG图形并提供错误纠正接口支持教师手动标注并反馈给模型进行在线微调。系统界面模块应提供实时预览窗口、识别进度指示与错误高亮显示并支持导出多种格式PDF、Markdown、LaTeX。此外系统还需具备权限管理与数据加密功能确保板书内容在存储与传输过程中的安全性并提供日志审计与合规报告生成功能。最后为满足实时性需求系统应实现模型蒸馏、量化与硬件加速策略在边缘设备上实现毫秒级响应同时支持云端后端的弹性扩展以满足大规模教学环境的部署。七、可行性分析经济可行性方面本系统的研发与部署成本主要集中在数据采集与标注、模型训练与优化以及硬件设备采购与维护。数据采集阶段可利用现有教学视频与现场拍摄资源减少额外费用标注工作通过半监督学习与教师协同校正相结合可显著降低人工成本模型训练可在云端GPU集群上进行采用分布式训练技术缩短时间并降低单机成本模型压缩与蒸馏后可部署在低功耗边缘设备上进一步减少硬件投入。系统上线后教师无需额外购买录屏设备或手工记录工具能够节省人力资源与纸质材料费用学校可将数字化板书作为教学资源共享平台的一部分提高课程内容的再利用率从而在长期运营中实现成本回收与收益提升。综上所述系统的整体经济可行性较高初期投入相对可控且具有明显的成本节约与潜在盈利空间。社会可行性方面本系统能够显著提升教学质量与学习体验满足教育公平与信息化发展的需求。通过实时数字化板书教师能够更精准地掌握学生的学习进度及时调整教学策略学生则可获得清晰、可检索的学习资料促进自主学习与知识迁移学校可利用系统生成的数据进行教学评估与课程改进从而提升整体教育水平。与此同时系统的隐私保护与数据安全设计符合教育数据保护法规能够获得家长与监管部门的信任开放接口与标准化输出支持跨平台共享为教育资源的普惠化提供技术保障。社会对智慧教育技术的接受度持续上升尤其在城市与农村地区之间存在数字鸿沟时本系统通过低成本边缘部署可帮助弱势地区提升教学质量具有较高的社会价值与推广潜力。技术可行性方面核心技术已在视觉Transformer与跨模态预训练领域取得突破可为板书识别提供强大的特征提取与语义理解能力。通过自监督预训练与多任务学习本系统能够在有限标注数据下实现高准确率模型蒸馏、量化与硬件加速技术可满足实时推理需求已在类似场景中得到验证边缘设备的低功耗与高性能GPU/FPGA可为现场部署提供可靠支持。潜在技术挑战包括光照不均、笔迹多样性导致的特征噪声、公式与图形的复杂语义解析以及多语言混排的跨域适配但通过数据增强、领域自适应与在线微调可有效缓解这些问题。整体而言技术实现路径清晰且已在相关实验中取得可观效果技术可行性具备充分保障。八、功能分析系统功能模块可分为七大层面分别为数据采集与预处理、特征提取与分割、跨模态识别与语义解析、后处理与结构化输出、用户交互与校正、数据管理与安全以及部署与运维。数据采集与预处理模块负责从多种摄像设备获取实时板书图像并对图像进行自动曝光校正、白平衡调整、倾斜检测及去噪处理随后利用自适应阈值与形态学操作将图像二值化并通过连通域分析初步定位文字与符号区域为后续特征提取奠定基础。特征提取与分割模块采用跨模态视觉Transformer为主干网络利用多尺度卷积和自注意力机制对预处理后的图像进行深层特征学习随后通过多任务分支实现字符、公式及图形的精细分割输出包含边界框、类别标签与置信度的分割结果。跨模态识别与语义解析模块将分割得到的区域送入预训练的大模型中进行字符识别、公式解析与图形标注该模块同时利用语言模型对文本序列进行语义校正并通过符号嵌入实现多学科符号的统一表示最终生成可编辑的文本、LaTeX公式与SVG图形。后处理与结构化输出模块负责将识别结果映射为标准化数据格式支持PDF、Markdown、LaTeX等多种导出方式同时提供语义层级关系构建功能将公式与相关文字关联生成可供搜索的索引结构。用户交互与校正模块提供实时预览窗口、识别进度指示以及错误高亮显示教师可通过图形化界面对识别错误进行手动标注系统将校正信息反馈给模型进行在线微调此外支持批量导入导出与与学习管理系统的无缝对接。数据管理与安全模块实现板书内容的加密存储、访问权限控制与审计日志记录在传输过程中采用TLS/SSL加密满足教育数据保护法规同时提供数据备份与恢复策略确保信息完整性。部署与运维模块支持云端与边缘设备双重部署方案通过模型蒸馏、量化及硬件加速实现毫秒级推理运维面向自动化监控、日志聚合与弹性伸缩保证系统在大规模教学环境中的稳定运行。上述七大模块协同工作形成从图像获取到结构化输出的完整闭环满足教师实时数字化板书、学生后期检索以及学校资源共享与管理的多重需求。九、数据库设计字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---users.user_id | 用户编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成users.username | 用户名 | 50字符 | VARCHAR(50) | | 唯一索引users.password_hash | 密码哈希值 | 128字符 | VARCHAR(128) | |users.role | 用户角色教师/学生/管理员 | 20字符 | VARCHAR(20) | |users.email | 邮箱地址 | 100字符 | VARCHAR(100) | |devices.device_id | 设备编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成devices.user_id | 所属用户编号 | 36字符 | VARCHAR(36) | 外键 (FK) → users.user_iddevices.device_type | 设备类型摄像头/移动终端 | 20字符 | VARCHAR(20) | |devices.device_name | 设备名称/备注 | 50字符 | VARCHAR(50) | |sessions.session_id | 会话编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成sessions.user_id | 用户编号发起者 | 36字符 | VARCHAR(36) | 外键 (FK) → users.user_idsessions.start_time | 会话开始时间 | 19字符 | DATETIME | |sessions.end_time | 会话结束时间 | 19字符 | DATETIME | |board_images.image_id | 图像编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成board_images.session_id | 所属会话编号 | 36字符 | VARCHAR(36) | 外键 (FK) → sessions.session_idboard_images.capture_time | 捕获时间 | 19字符 | DATETIME | |board_images.image_path | 本地/云存储路径 | 255字符 | VARCHAR(255) | |segments.segment_id | 分割编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成segments.image_id | 所属图像编号 | 36字符 | VARCHAR(36) | 外键 (FK) → board_images.image_idsegments.segment_type | 分割类型字符/公式/图形 | 10字符 | VARCHAR(10) | |segments.bbox_x | 边界框左上角X坐标 | 10字符 | INT | |segments.bbox_y | 边界框左上角Y坐标 | 10字符 | INT | |segments.bbox_w | 边界框宽度 | 10字符 | INT | |segments.bbox_h | 边界框高度 | 10字符 | INT | |recognition_results.result_id | 识别结果编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成recognition_results.segment_id | 所属分割编号 | 36字符 | VARCHAR(36) | 外键 (FK) → segments.segment_idrecognition_results.recognized_text | 识别文本可为空 | 500字符 | TEXT | |recognition_results.confidence | 置信度0-1 | 5字符 | DECIMAL(5,4) | |formulas.formula_id | 公式编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成formulas.result_id | 所属识别结果编号 | 36字符 | VARCHAR(36) | 外键 (FK) → recognition_results.result_idformulas.latex_code | LaTeX代码 | 500字符 | TEXT | |graphics.graphic_id | 图形编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成graphics.result_id | 所属识别结果编号 | 36字符 | VARCHAR(36) | 外键 (FK) → recognition_results.result_idgraphics.svg_path | SVG文件路径 | 255字符 | VARCHAR(255) | |exports.export_id | 导出记录编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成exports.session_id | 所属会话编号 | 36字符 | VARCHAR(36) | 外键 (FK) → sessions.session_idexports.format | 导出格式PDF/Markdown/LaTeX | 10字符 | VARCHAR(10) | |exports.export_path | 导出文件路径 | 255字符 | VARCHAR(255) | |exports.export_time | 导出时间 | 19字符 | DATETIME | |audit_logs.log_id | 日志编号 | 36字符 | VARCHAR(36) | 主键 (PK) | UUID生成audit_logs.user_id | 操作用户编号 | 36字符 | VARCHAR(36) | 外键 (FK) → users.user_idaudit_logs.action | 操作类型创建/更新/删除 | 10字符 | VARCHAR(10) | |audit_logs.target_table | 目标表名 | 30字符 | VARCHAR(30) | |audit_logs.target_id | 目标记录编号 | 36字符 | VARCHAR(36) | |audit_logs.timestamp | 操作时间戳 | 19字符 | DATETIME | |上述表结构遵循第一范式与第二范式避免重复数据使用外键实现实体间关系满足系统对用户、设备、会话、图像、分割、识别结果、公式、图形、导出与审计日志等功能模块的数据需求。十、建表语句CREATE DATABASE IF NOT EXISTS classroom_board CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;USE classroom_board;-- 用户表CREATE TABLE IF NOT EXISTS users (user_id VARCHAR(36) NOT NULL,username VARCHAR(50) NOT NULL,password_hash VARCHAR(128) NOT NULL,role VARCHAR(20) NOT NULL,email VARCHAR(100) NOT NULL,PRIMARY KEY (user_id),UNIQUE KEY uq_users_username (username),UNIQUE KEY uq_users_email (email)) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 设备表CREATE TABLE IF NOT EXISTS devices (device_id VARCHAR(36) NOT NULL,user_id VARCHAR(36) NOT NULL,device_type VARCHAR(20) NOT NULL,device_name VARCHAR(50),PRIMARY KEY (device_id),KEY idx_devices_user_id (user_id),CONSTRAINT fk_devices_user FOREIGN KEY (user_id)REFERENCES users(user_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 会话表CREATE TABLE IF NOT EXISTS sessions (session_id VARCHAR(36) NOT NULL,user_id VARCHAR(36) NOT NULL,start_time DATETIME NOT NULL,end_time DATETIME,PRIMARY KEY (session_id),KEY idx_sessions_user_id (user_id),CONSTRAINT fk_sessions_user FOREIGN KEY (user_id)REFERENCES users(user_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 课堂板书图像表CREATE TABLE IF NOT EXISTS board_images (image_id VARCHAR(36) NOT NULL,session_id VARCHAR(36) NOT NULL,capture_time DATETIME NOT NULL,image_path VARCHAR(255) NOT NULL,PRIMARY KEY (image_id),KEY idx_board_images_session_id (session_id),CONSTRAINT fk_board_images_session FOREIGN KEY (session_id)REFERENCES sessions(session_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 分割结果表CREATE TABLE IF NOT EXISTS segments (segment_id VARCHAR(36) NOT NULL,image_id VARCHAR(36) NOT NULL,segment_type VARCHAR(10) NOT NULL,bbox_x INT NOT NULL,bbox_y INT NOT NULL,bbox_w INT NOT NULL,bbox_h INT NOT NULL,PRIMARY KEY (segment_id),KEY idx_segments_image_id (image_id),CONSTRAINT fk_segments_image FOREIGN KEY (image_id)REFERENCES board_images(image_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 识别结果表CREATE TABLE IF NOT EXISTS recognition_results (result_id VARCHAR(36) NOT NULL,segment_id VARCHAR(36) NOT NULL,recognized_text TEXT,confidence DECIMAL(5,4),PRIMARY KEY (result_id),KEY idx_recognition_results_segment_id (segment_id),CONSTRAINT fk_recognition_results_segment FOREIGN KEY (segment_id)REFERENCES segments(segment_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 公式表CREATE TABLE IF NOT EXISTS formulas (formula_id VARCHAR(36) NOT NULL,result_id VARCHAR(36) NOT NULL,latex_code TEXT,PRIMARY KEY (formula_id),KEY idx_formulas_result_id (result_id),CONSTRAINT fk_formulas_result FOREIGN KEY (result_id)REFERENCES recognition_results(result_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 图形表CREATE TABLE IF NOT EXISTS graphics (graphic_id VARCHAR(36) NOT NULL,result_id VARCHAR(36) NOT NULL,svg_path VARCHAR(255),PRIMARY KEY (graphic_id),KEY idx_graphics_result_id (result_id),CONSTRAINT fk_graphics_result FOREIGN KEY (result_id)REFERENCES recognition_results(result_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 导出记录表CREATE TABLE IF NOT EXISTS exports (export_id VARCHAR(36) NOT NULL,session_id VARCHAR(36) NOT NULL,format VARCHAR(10) NOT NULL,export_path VARCHAR(255) NOT NULL,export_time DATETIME NOT NULL,PRIMARY KEY (export_id),KEY idx_exports_session_id (session_id),CONSTRAINT fk_exports_session FOREIGN KEY (session_id)REFERENCES sessions(session_id)ON DELETE CASCADEON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 审计日志表CREATE TABLE IF NOT EXISTS audit_logs (log_id VARCHAR(36) NOT NULL,user_id VARCHAR(36),action VARCHAR(10) NOT NULL,target_table VARCHAR(30) NOT NULL,target_id VARCHAR(36),timestamp DATETIME NOT NULL,PRIMARY KEY (log_id),KEY idx_audit_logs_user_id (user_id),KEY idx_audit_logs_target (target_table, target_id),CONSTRAINT fk_audit_logs_user FOREIGN KEY (user_id)REFERENCES users(user_id)ON DELETE SET NULLON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;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