博主介绍✌ 专注于VUE,小程序安卓Java,python,物联网专业 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、研究目的研究的核心目标在于构建一种高效、实时且鲁棒的安全帽佩戴检测系统以满足现代工业生产现场对人员安全管理的严格要求。该系统基于YOLO系列目标检测算法通过改进网络结构与损失函数提升对不同光照、遮挡及多样化头盔颜色和形状的识别精度从而实现对工人佩戴状态的即时判断与报警。进一步地本研究旨在将检测结果与工业现场的监控平台无缝集成实现数据可视化、历史轨迹分析以及异常事件的自动报告进而为安全管理决策提供可靠的数据支持。与此同时考虑到实际部署环境中计算资源受限的情况本工作还将探索模型压缩与加速技术以保证在嵌入式设备上实现毫秒级响应时间。综上所述本研究不仅追求技术上的创新与性能突破更关注系统的可落地性与可维护性为构建智慧工厂安全生态提供有力支撑。为实现上述目标研究首先将对现有YOLO模型进行细粒度的结构优化包括引入轻量化卷积单元、采用多尺度特征融合策略以及自适应阈值机制以在保持检测精度的同时显著降低计算量。随后将收集并标注来自不同工厂现场的多源视频数据构建包含安全帽佩戴与未佩戴两类样本的大规模训练集以提升模型对真实场景的泛化能力。实验阶段将通过交叉验证与在线推理测试对比传统YOLOv5、YOLOv7及改进模型在准确率、召回率、平均精度均值mAP和帧率等指标上的表现验证所提方法的有效性。与此同时为满足工业现场对实时性的严格要求本研究将结合TensorRT与OpenVINO等推理框架对模型进行量化与层级剪枝以实现低功耗设备上的高效部署。最终系统将通过RESTful API向工厂管理系统提供实时报警信息并支持多维度报表生成为安全监管人员提供直观、可操作的决策依据。在此基础上本研究还将探讨多摄像头协同与边缘计算的融合方案以进一步提升大规模工地场景下的检测覆盖率和鲁棒性并为后续研究提供可复制、可扩展的技术框架。二、研究意义在现代工业生产中安全帽佩戴是防止头部受伤的最基本且最有效的措施之一然而传统的人工巡检方式存在主观性强、效率低下、覆盖盲区多等缺陷。随着工业互联网与智能制造的快速发展利用计算机视觉技术实现对工人安全帽佩戴状态的实时监测已成为提升现场安全管理水平的重要手段。基于YOLO目标检测算法的安全帽佩戴检测系统能够在复杂光照、遮挡以及多样化头盔颜色和形状的情况下保持高精度识别从而显著降低因工人未佩戴安全帽导致的事故风险为企业提供可靠的数据支持帮助管理层及时发现和纠正安全隐患。本研究所提出的系统具有重要的社会意义。首先它能够有效减少工业生产现场因头部受伤造成的人身伤害和医疗费用提升工人生命安全保障水平。其次系统实现了对安全帽佩戴状态的实时监测与自动报警可在事故发生前及时发出警示从而降低因延误导致的损失。再者该技术能够为监管部门提供客观、可量化的安全管理数据推动行业标准化和规范化进程促进安全生产责任制的落实。从经济角度看安全帽佩戴检测系统能够降低工伤事故率减少因停工、赔偿及保险费用产生的经济损失。通过提升现场安全管理效率企业可将人力资源从繁琐的巡检工作中解放出来投入到更高价值的生产与创新活动中从而提升整体运营效益。与此同时该系统的技术成熟度和可扩展性为其他工业安全监测场景提供了可复制、可推广的技术范式为智能制造生态系统的发展注入新的活力。在技术层面本研究通过对YOLO算法的结构优化与损失函数改进推动了目标检测模型在边缘设备上的高效部署具有重要的学术价值。通过构建多源视频数据集并进行大规模标注为后续安全监测领域的数据驱动研究提供了宝贵资源。系统所实现的实时推理与多摄像头协同技术为工业现场复杂环境下的目标检测研究提供了新的思路和方法对计算机视觉在工业安全领域的应用具有广泛的推广意义。三、国内外研究现状近年来随着工业互联网与智能制造的快速发展基于计算机视觉的安全帽佩戴检测已成为工地安全管理的重要研究方向。国内外学术界普遍采用目标检测算法实现对工人头部佩戴状态的实时识别其中YOLO系列模型因其高效、轻量化的特性而被广泛关注。国内高校与科研机构在此领域开展了多项工作主要集中在数据集构建、模型改进与边缘部署三大方向。首先针对工地现场光照变化大、遮挡严重等特点研究人员通过采集多源视频并进行人工标注构建了包含安全帽佩戴与未佩戴两类样本的专用数据集为后续模型训练提供了可靠基础。其次在模型层面国内团队对YOLOv5、YOLOv7等版本进行结构优化引入轻量化卷积单元、特征金字塔融合以及自适应阈值机制显著提升了在低算力设备上的检测精度与速度。再次为实现工业现场的实时监控研究者将改进模型部署到嵌入式平台并结合TensorRT、OpenVINO等推理框架进行量化与剪枝以满足毫秒级响应需求。在国际研究中学术界同样聚焦于安全帽及个人防护装备PPE的检测与监测。欧美高校与研究机构通过收集公开数据集如PPE-Detection、COCO-PPE等开展基于YOLO、SSD以及Transformer等模型的实验。研究成果表明YOLOv5在工地视频中的平均精度均值mAP可达到80%以上且推理速度可达30FPS以上。与此同时为提高模型在不同工地环境下的泛化能力研究人员引入域自适应技术、伪标签学习以及多任务学习框架使得模型在跨场景迁移时误差显著降低。边缘部署方面国外团队利用FPGA与GPU加速器实现了低功耗、高吞吐量的检测系统并通过多摄像头协同与时间同步技术提升了全景覆盖率。总体来看国内外研究均已取得显著进展但仍存在若干挑战。首先现有数据集在样本多样性、标注质量以及场景覆盖度方面尚不完善导致模型在真实工地中的鲁棒性不足。其次尽管YOLO系列模型已实现轻量化但在极端光照、遮挡以及动态背景下的误检率仍高于预期。再次边缘设备的算力与能耗限制使得高精度模型难以在工地现场长时间稳定运行。未来研究可从数据增强、跨域迁移学习、模型压缩与自适应推理等方向进一步突破以实现真正意义上的工业安全帽佩戴检测系统。四、预期达到目标及解决的关键问题预期目标在于构建一套能够在工业现场实时、准确识别工人是否佩戴安全帽的智能检测系统并实现与现场监控平台的无缝对接。系统需满足以下性能指标检测精度平均精度均值不低于0.85误检率低于5%帧率不低于30FPS并在嵌入式设备上实现功耗控制在10瓦以内。除此之外系统还应支持多摄像头协同覆盖大面积工地区域并能够将检测结果以可视化报表形式提供给安全管理人员以便快速定位安全隐患并进行追踪分析。关键问题主要集中在四个方面。首先是数据集构建与标注质量。现有公开数据集多为实验室环境或少量现场样本缺乏足够的光照、遮挡以及多样化头盔颜色和形状等变异因素导致模型在真实工地中的泛化性能不足。其次是模型鲁棒性与精度提升。在强光、逆光、阴影以及部分遮挡等复杂场景下目标检测算法往往出现漏检或误检需要通过网络结构改进、特征金字塔融合以及自适应阈值机制等手段提升鲁棒性。再次是实时推理与边缘部署。工业现场对延迟的容忍度极低传统YOLO模型在CPU或低端GPU上推理速度不足且模型体积过大导致存储与能耗瓶颈。最后是系统集成与可维护性。将检测模块嵌入现有监控系统需要考虑接口兼容、数据流同步以及后期升级的可行性。为解决上述问题本研究计划从数据层面构建多源、多场景的工地视频数据集并采用半自动标注工具与人工复核相结合的方式提升标注效率与准确性。模型层面将基于YOLOv7进行轻量化改造引入深度可分离卷积、注意力机制以及多尺度特征融合以兼顾精度与速度。针对边缘部署将对模型进行混合精度量化、剪枝以及知识蒸馏并在FPGA或低功耗GPU上进行硬件加速实现毫秒级响应。系统集成方面将采用RESTful API与WebSocket双向通信协议保证检测结果能够实时推送至监控平台并通过可视化仪表盘展示历史轨迹与报警日志以满足安全管理的业务需求。综上所述本研究的预期目标是实现一套高精度、低延迟、低功耗且易于集成的安全帽佩戴检测系统关键问题则聚焦于数据多样性、模型鲁棒性、边缘推理以及系统可维护性。通过在上述方面开展系统性的技术攻关期望能够为工业现场安全管理提供可靠的技术支撑并推动计算机视觉在工业安全领域的应用落地。五、研究内容本研究围绕安全帽佩戴检测系统的需求展开首先从数据层面入手采集多种工地现场视频素材包括不同光照、遮挡程度以及多样化头盔颜色和形状的场景并采用半自动标注工具结合人工复核方式构建高质量标注数据集。随后在模型设计层面基于YOLOv7架构进行轻量化改造引入深度可分离卷积、注意力机制以及多尺度特征融合模块以提升在低算力设备上的检测精度与速度同时针对工地场景的特殊性改进损失函数加入遮挡惩罚项和安全帽类别平衡权重以降低漏检率。训练阶段采用混合数据增强策略包括随机裁剪、颜色抖动、光照变换以及遮挡模拟等手段增强模型对光照变化与遮挡的鲁棒性同时引入迁移学习与知识蒸馏技术将预训练模型的特征迁移至工地数据集并通过教师-学生框架实现模型压缩。推理优化方面针对嵌入式平台进行混合精度量化、结构剪枝以及张量RT加速确保在CPU或低端GPU上实现30FPS以上的实时推理并将功耗控制在10瓦以内。系统集成层面设计RESTful API与WebSocket双向通信协议将检测结果实时推送至监控平台并通过可视化仪表盘展示安全帽佩戴状态、异常报警与历史轨迹以满足安全管理人员的业务需求。最后在实验验证阶段构建多摄像头协同测试环境评估系统在大面积工地覆盖下的鲁棒性与误检率并与现有工业安全检测方案进行对比验证所提方法在精度、速度与能耗方面的优势。六、需求分析用户需求侧重于系统能够满足工业现场安全管理人员对实时性、准确性与可操作性的综合要求。首先安全管理者需要在工地现场获得即时的安全帽佩戴状态信息以便在发现未佩戴或误佩戴情况时能够迅速采取纠正措施其次系统应兼容现有的监控摄像头网络支持多摄像头协同覆盖大面积作业区从而实现全景式安全监测再次管理人员期望通过可视化报表获取历史佩戴率、异常事件分布以及趋势分析以便进行安全风险评估与决策制定再者系统需具备低误报率与高召回率的检测性能避免因误警导致的资源浪费或对工人工作节奏的干扰最后用户还要求系统能够在功耗受限的边缘设备上稳定运行并提供简洁易用的操作界面以降低维护成本与培训投入。功能需求方面系统必须实现多模态视频采集与预处理模块支持不同分辨率与帧率摄像头的接入并对输入流进行去噪、光照均衡及尺度归一化处理随后核心检测模块基于改进的YOLO网络对每帧图像进行目标检测与分类输出安全帽佩戴与未佩戴的二分类结果以及对应置信度紧接着边缘推理加速层需将模型部署至低功耗硬件平台并通过量化、剪枝与张量RT加速实现毫秒级响应随后异常检测与报警模块根据检测结果生成实时告警并通过多通道短信、语音、系统通知推送给现场安全负责人此外数据管理层负责将检测日志与视频片段存储至本地或云端数据库并提供查询接口以支持后期审计与分析最后可视化与交互层需提供基于Web或移动端的仪表盘展示实时佩戴率、异常分布热力图、历史趋势曲线以及报警记录并支持自定义报表导出与API对接以满足企业内部安全管理系统的集成需求。七、可行性分析经济可行性方面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采购与维护。相较于传统人工巡检方式虽然初期需要投入专业摄像头、边缘计算设备以及软件开发费用但从长期运营角度来看系统能够显著降低工伤事故率减少因停工、医疗及赔偿产生的直接经济损失并提升企业的安全合规水平。通过对比分析可知在中大型工业园区内部署该系统后预计在三年内实现投资回收并在随后的运营期内持续为企业创造净收益。社会可行性方面安全帽佩戴检测系统直接服务于工人生命安全能够有效预防头部受伤事故的发生从而提升工地整体安全文化与工作环境。其实施符合国家关于职业健康与安全的相关法规与标准能够帮助企业满足监管部门对安全管理的合规要求并在行业内树立技术领先形象。社会效益还体现在通过数据可视化与历史分析功能为政府及行业协会提供客观、可量化的安全管理指标支持公共安全治理与风险评估。技术可行性方面当前深度学习框架与边缘推理平台已成熟能够支持YOLO系列模型在CPU或低功耗GPU上的高效部署。数据层面通过工地现场视频采集与半自动标注工具可构建多样化且规模足够的训练集满足模型泛化需求。算法层面针对工地光照变化、遮挡以及多样化头盔形态的挑战可通过网络结构改进、特征金字塔融合以及自适应阈值机制提升检测精度与鲁棒性。硬件层面现有的工业级摄像头与边缘计算设备已具备足够的采集与推理能力且可通过混合精度量化与剪枝技术进一步降低功耗与延迟。综合上述因素系统在经济、社会及技术三方面均具备可行性为在工业现场实现安全帽佩戴检测提供了充分的支持。八、功能分析系统功能模块设计遵循从数据采集到业务决策的完整闭环具体可划分为七大核心模块。首先视频采集与预处理模块负责接入工地现场的多路摄像头流并对原始图像进行去噪、光照均衡与尺度归一化处理以消除环境变化对后续检测的干扰该模块还实现帧率控制与时间戳同步为后续多摄像头协同提供基础。其次目标检测引擎模块基于改进的YOLOv7网络对预处理后的每帧图像执行安全帽佩戴与未佩戴两类目标的定位与分类输出边界框坐标、类别标签及置信度该引擎通过多尺度特征融合与注意力机制提升在遮挡和光照变化下的鲁棒性。第三边缘推理优化模块将检测模型部署至低功耗计算设备并采用混合精度量化、结构剪枝与张量RT加速技术实现毫秒级响应并控制功耗在10瓦以内同时该模块支持模型热更新与版本管理保证系统长期稳定运行。第四异常检测与报警模块根据检测结果实时评估安全帽佩戴状态并在发现未佩戴或误佩戴时触发多通道告警短信、语音、系统通知同时记录事件时间与摄像头位置为现场安全负责人提供即时干预依据。第五数据管理与存储模块负责将检测日志、视频片段及报警记录持久化到本地或云端数据库并提供索引查询接口以支持后期审计与统计分析。第六可视化与交互模块通过Web或移动端仪表盘展示实时佩戴率、异常分布热力图、历史趋势曲线以及报警记录并支持自定义报表导出与权限管理满足不同角色的业务需求。最后系统集成与接口模块提供RESTful API与WebSocket双向通信协议使检测结果能够无缝对接企业内部安全管理系统或第三方平台实现业务流程的自动化和协同。通过上述七大功能模块的协同工作系统能够实现从现场数据采集到安全决策支持的完整闭环为工业现场安全管理提供可靠、实时且可扩展的技术方案。九、数据库设计字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---camera_id | 摄像头编号。 | 36 | CHAR(36) | 主键唯一标识摄像头。 |camera_name | 摄像头名称。 | 255 | VARCHAR(255) | |location | 摄像头所在位置。 | 255 | VARCHAR(255) | |ip_address | 摄像头IP地址。 | 45 | VARCHAR(45) | |stream_port | 视频流端口号。 | 5 | INT UNSIGNED | |status | 摄像头状态在线/离线。 | 1 | CHAR(1) | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---stream_id | 视频流编号。 | 36 | CHAR(36) | 主键唯一标识视频流。 |camera_id | 所属摄像头编号。 | 36 | CHAR(36) | 外键关联 Cameras 表。 |start_time | 视频流开始时间。 | 19 | DATETIME | |end_time | 视频流结束时间。 | 19 | DATETIME | 可为空表示持续中。 |resolution | 视频分辨率宽x高。 | 10 | VARCHAR(10) | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---result_id | 检测结果编号。 | 36 | CHAR(36) | 主键唯一标识一次检测。 |stream_id | 视频流编号。 | 36 | CHAR(36) | 外键关联 VideoStreams 表。 |frame_number | 帧号。 | 10 | INT UNSIGNED | |bbox_x1, bbox_y1, bbox_x2, bbox_y2 | 检测框左上角和右下角坐标。 | 10 | INT UNSIGNED | |label | 检测标签佩戴/未佩戴。 | 10 | VARCHAR(10) | |confidence | 置信度。 | 5 | DECIMAL(5,2) | 小数点后两位。 |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---alert_id | 告警编号。 | 36 | CHAR(36) | 主键唯一标识一次告警。 |result_id | 检测结果编号。 | 36 | CHAR(36) | 外键关联 DetectionResults 表。 |alert_type | 告警类型未佩戴/误佩戴。 | 20 | VARCHAR(20) | |alert_time | 告警时间。 | 19 | DATETIME | |status | 告警状态已处理/未处理。 | 1 | CHAR(1) | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---user_id | 用户编号。 | 36 | CHAR(36) | 主键唯一标识用户。 |username | 用户名。 | 255 | VARCHAR(255) | |password_hash | 密码哈希值。 | 255 | VARCHAR(255) | |role_id | 所属角色编号。 | 36 | CHAR(36) | 外键关联 Roles 表。 |created_at, updated_at | 创建/更新时间。 | 19,19 | DATETIME | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---role_id | 角色编号。 | 36 | CHAR(36) | 主键唯一标识角色。 |role_name | 角色名称。 | 100 | VARCHAR(100) | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---permission_id | 权限编号。 | 36 | CHAR(36) | 主键唯一标识权限。 |permission_name | 权限名称。 | 100 | VARCHAR(100) | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---role_permission_id | 角色权限编号。 | 36 | CHAR(36) | 主键唯一标识一条角色-权限关系。 |role_id | 角色编号。 | 36 | CHAR(36) | 外键关联 Roles 表。 |permission_id | 权限编号。 | 36 | CHAR(36) | 外键关联 Permissions 表。 |上述表结构遵循第一范式与第二范式所有非主键字段均完全函数依赖于主键通过外键约束保证数据完整性满足第三范式要求。十、建表语句CREATE DATABASE IF NOT EXISTS helmet_detection CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;USE helmet_detection;-- 摄像头信息表CREATE TABLE IF NOT EXISTS Cameras (camera_id CHAR(36) NOT NULL,camera_name VARCHAR(255) NOT NULL,location VARCHAR(255) NULL,ip_address VARCHAR(45) NOT NULL,stream_port INT UNSIGNED NOT NULL,status CHAR(1) NOT NULL DEFAULT 1,PRIMARY KEY (camera_id),UNIQUE KEY uq_cameras_ip_port (ip_address, stream_port)) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 视频流信息表CREATE TABLE IF NOT EXISTS VideoStreams (stream_id CHAR(36) NOT NULL,camera_id CHAR(36) NOT NULL,start_time DATETIME NOT NULL,end_time DATETIME NULL,resolution VARCHAR(10) NOT NULL,PRIMARY KEY (stream_id),INDEX idx_video_streams_camera_id (camera_id),CONSTRAINT fk_video_streams_cameraFOREIGN KEY (camera_id) REFERENCES Cameras(camera_id)ON UPDATE CASCADE ON DELETE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 检测结果表CREATE TABLE IF NOT EXISTS DetectionResults (result_id CHAR(36) NOT NULL,stream_id CHAR(36) NOT NULL,frame_number INT UNSIGNED NOT NULL,bbox_x1 INT UNSIGNED NOT NULL,bbox_y1 INT UNSIGNED NOT NULL,bbox_x2 INT UNSIGNED NOT NULL,bbox_y2 INT UNSIGNED NOT NULL,label VARCHAR(10) NOT NULL,confidence DECIMAL(5,2) NOT NULL,PRIMARY KEY (result_id),INDEX idx_detection_results_stream_id (stream_id),CONSTRAINT fk_detection_results_streamFOREIGN KEY (stream_id) REFERENCES VideoStreams(stream_id)ON UPDATE CASCADE ON DELETE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 告警表CREATE TABLE IF NOT EXISTS Alerts (alert_id CHAR(36) NOT NULL,result_id CHAR(36) NOT NULL,alert_type VARCHAR(20) NOT NULL,alert_time DATETIME NOT NULL,status CHAR(1) NOT NULL DEFAULT 0,PRIMARY KEY (alert_id),INDEX idx_alerts_result_id (result_id),CONSTRAINT fk_alerts_resultFOREIGN KEY (result_id) REFERENCES DetectionResults(result_id)ON UPDATE CASCADE ON DELETE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 用户表CREATE TABLE IF NOT EXISTS Users (user_id CHAR(36) NOT NULL,username VARCHAR(255) NOT NULL,password_hash VARCHAR(255) NOT NULL,role_id CHAR(36) NOT NULL,created_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP,updated_at DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,PRIMARY KEY (user_id),UNIQUE KEY uq_users_username (username),INDEX idx_users_role_id (role_id),CONSTRAINT fk_users_roleFOREIGN KEY (role_id) REFERENCES Roles(role_id)ON UPDATE CASCADE ON DELETE SET NULL) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 角色表CREATE TABLE IF NOT EXISTS Roles (role_id CHAR(36) NOT NULL,role_name VARCHAR(100) NOT NULL,PRIMARY KEY (role_id),UNIQUE KEY uq_roles_name (role_name)) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 权限表CREATE TABLE IF NOT EXISTS Permissions (permission_id CHAR(36) NOT NULL,permission_name VARCHAR(100) NOT NULL,PRIMARY KEY (permission_id),UNIQUE KEY uq_permissions_name (permission_name)) ENGINEInnoDB DEFAULT CHARSETutf8mb4 COLLATEutf8mb4_unicode_ci;-- 角色权限关联表CREATE TABLE IF NOT EXISTS RolePermissions (role_permission_id CHAR(36) NOT NULL,role_id CHAR(36) NOT NULL,permission_id CHAR(36) NOT NULL,PRIMARY KEY (role_permission_id),INDEX idx_role_permissions_role_id (role_id),INDEX idx_role_permissions_permission_id (permission_id),CONSTRAINT fk_role_permissions_roleFOREIGN KEY (role_id) REFERENCES Roles(role_id)ON UPDATE CASCADE ON DELETE CASCADE,CONSTRAINT fk_role_permissions_permissionFOREIGN KEY (permission_id) REFERENCES Permissions(permission_id)ON UPDATE CASCADE ON DELETE CASCADE,UNIQUE KEY uq_role_permission (role_id, permission_id)) 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