盟书智鉴 -《侯马盟书》文字识别与数字化保护平台

立项背景与目标：《侯马盟书》是春秋晚期晋国独有的朱书玉石文字遗存，入选 1949 年以来中国考古十大发现之一，是研究先秦政治、法制与文字演变的一手实物资料。但盟书历经两千余年风化侵蚀，字迹模糊、笔画残缺、异体字繁多，传统人工目验手摹的释读方式效率低、周期长。本项目目标是以人工智能与计算机视觉技术构建覆盖"图像处理—文字检测—字形识别—释读输出—知识关联"的全流程古文字识别与数字化保护平台，服务文物保护与古文字研究。
软件功能与核心模块：平台包含 9 大 API 模块与 8 个工作台面板。①用户体系：注册/登录、JWT 鉴权、管理员角色、登录限流、审计日志；②图像管理：盟书图像上传与元数据管理；③识别流水线：真实调用 PaddleOCR 完成文字检测与字形识别，逐字返回位置框、置信度，并自动匹配释读词典；④释读词典：内置 27 条基础词条（侯、馬、盟、書、晉、誓等），支持检索与管理员维护；⑤数据集标注工具：在图像上拖拽框选文字，填写字形与异体字，支持核验与导出；⑥知识图谱：字形—类别—概念共 19 个节点、13 条关系的可视化；⑦管理后台：用户角色管理、图像/词典管理、审计日志查看；⑧统计看板与 CSV 结果导出、失败任务重试。
业务流程与功能路径：核心识别流程为"上传图像 → 创建异步识别任务 → 后台模型服务执行文字检测与识别 → 逐字输出置信度与释读释义 → 前端可视化（位置框 + 结果列表）→ CSV 导出"。标注流程为"选择图像 → 框选文字区域 → 填写字形与异体字 → 保存/核验 → 一键导出 YOLO/COCO 格式训练数据集"。完整流程已通过桌面与移动端自动化验证。

整体架构与设计思路：采用前后端分离架构。后端基于 Python + FastAPI，SQLAlchemy 2.0 管理 8 张数据表（用户/图像/任务/识别结果/词典/标注/知识图谱节点与关系），默认 SQLite、生产可切换 PostgreSQL，并使用 Alembic 做版本化数据库迁移。OCR 推理运行在独立常驻子进程模型服务中，通过 stdin/stdout 的 JSON 行协议与 Web 进程通信，模型状态与业务进程完全隔离。前端为原生 HTML/CSS/JS 零构建方案，复用同一套"古籍印章"设计系统。工程配套：Docker Compose 部署、GitHub Actions CI（ruff 代码检查、mypy 类型检查、pytest 测试、全新库迁移验证）、统一错误格式、请求 ID 与 JSON 结构化日志、安全响应头与审计留痕。
我的负责模块与结果：我独立完成项目从需求到交付的全部开发。量化结果包括：8 张数据表、30+ REST API 接口、9 个自动化测试用例（覆盖率 80%）、2 个数据库迁移版本、27 条释读词典、19 节点知识图谱；真实识别流水线在示例盟书图上识别出"侯馬盟書晉誓"6 字、平均置信度 0.999 并逐字匹配释义；前端含 3 个页面、8 个工作台面板，桌面与移动端均通过渲染与交互验证，无控制台报错。
难点与解决方案：① PaddleOCR 在服务进程内推理时结果不稳定（同一图片偶发乱码），排查后定位为进程内多线程推理与编码问题，改为独立常驻子进程模型服务并强制 UTF-8、固定单线程后，连续多次识别结果完全一致；② Windows 中文经管道传输被 GBK 编码破坏，通过强制 UTF-8 文本流解决；③ Alembic 迁移的日志配置会禁用既有日志器，调整初始化顺序解决；④ 标注层 SVG 的 hidden 属性不被浏览器反射导致拖拽失效，改为常驻渲染层并禁止图片指针事件；⑤ 含合并单元格的表格列对齐错位，改用从末尾倒数定位列的方案修复。