Construction Safety Project

基于 RAG-LLM 的
施工安全风险分析系统

Construction Safety Risk Analysis System Based on RAG-LLM

在广州大学创新训练项目课题中,我主导开发了这一个面向施工安全风险识别、案例检索、环境监测与辅助决策的项目系统,结合 RAG + DeepSeek + FAISS 检索增强、结构化输出校验与可视化看板,为施工现场提供更可追溯的风险分析支持。

Streamlit Web App53,000+ OSHA/CSDatasetRAG 检索增强JSON Schema 校验风险看板分析Windows 打包
施工安全风险分析系统的数据管理与风险仪表盘界面
53k+真实施工事故记录被整理为可检索、可引用、可审计的安全知识库。
Why It Matters
从经验判断,到证据驱动。

传统施工安全管理常依赖人工经验:现场信息分散、事故经验难复用、风险评估口径不稳定。这个系统把管理问题重新建模为一条可计算链路,让 AI 在真实历史案例约束下输出可执行建议。

风险识别滞后经验依赖高数据割裂结论不可追溯
01

用真实案例约束 AI

每份报告必须引用检索到的历史事故 case_id,避免无依据生成。

02

让输出能进入流程

风险等级、危险源、措施、PPE、理由统一为结构化字段。

03

把现场环境纳入评分

温度、风速、湿度作为风险放大器,形成 0-100 综合风险分。

53,550约 2013-2023 年施工事故记录作为知识基础
384Dall-MiniLM-L6-v2 嵌入向量,兼顾性能与部署成本
0.85语义相似度主导,关键词重叠辅助校正
1-4风险等级映射施工现场分级响应机制
Product Surface

系统功能围绕施工现场风险分析闭环展开。

页面集中展示环境参数采集、作业计划输入、历史案例检索、结构化风险报告与风险看板等核心环节,服务于开工前的风险识别与辅助判断。

事前预判与历史案例检索

输入工种、作业高度、新工人占比、作业计划和专项信息后,系统会检索相似事故案例,并结合 DeepSeek 生成结构化风险报告。即使在大模型不可用的情况下,离线规则也可提供基础预判结果。

事前预判历史案例检索DeepSeek离线兜底引用案例过滤
施工安全风险分析系统的事前预判与历史案例检索界面
风险分析主界面风险等级、综合风险分、相似事故案例与建议措施被集中呈现在同一决策界面中。
施工安全风险分析系统的完整功能总览界面
系统总览界面页面整合数据导入、环境监测、宏观风险看板与分析图表,便于统一查看系统功能结构。

环境监测与风险看板

系统将温度、风速、湿度转化为可视化仪表,并通过事故总量、严重事故占比、Sankey 流向、月度趋势、工种热力图和环境关联图呈现宏观风险画像。

环境监测风险看板Plotly 图表数据导入索引重建
Method

RAG 检索与结构化推理支撑风险分析流程。

系统通过检索增强、案例重排、结构化输出和字段校验,将大模型能力纳入可追溯、可验证的风险分析链路。

作业输入

施工计划、工种、人员结构、温湿风等环境参数进入统一输入契约。

跨语言增强

中文风险词自动追加英文术语,桥接英文事故知识库。

FAISS 检索

向量召回候选案例,再用语义分 + 关键词分混合重排。

结构化推理

DeepSeek 在证据池内输出 JSON,不输出 Markdown 或自由长文。

校验展示

JSON Schema、字段值域、引用案例过滤共同封堵幻觉引用。

Engineering System

系统架构

数据从 CSV 进入系统,经过向量化、语义检索、大模型推理,最终以结构化报告和可视化看板呈现给用户。

数据层

53,000+ OSHA 事故记录、环境传感器接口、CSV 上传入口

01
PandasParquetMQTT Mock
all-MiniLM-L6-v2FAISS384D 向量
02

知识层

文本清洗拼接、sentence-transformers 嵌入、FAISS 索引构建与持久化

推理层

中英文查询扩展、混合检索评分、DeepSeek 生成、JSON Schema 校验与兜底

03
DeepSeekRAGSchema 校验离线规则
StreamlitPlotlyPyInstallerpytest
04

应用层

Streamlit 交互界面、Plotly 可视化看板、测试套件、Windows 安装器打包

Build Story

项目实现沿着“可计算、可验证、可交付”推进。

系统开发围绕输入输出定义、知识库构建、模型约束和工程化落地四个关键步骤展开,形成了较完整的实现路径。

问题建模

把施工事前风险识别转化为 AI 决策任务,明确输入变量与结构化输出字段。

知识库构建

用 CSDataset/OSHA 事故记录拼接检索文本,建立可追溯 case_id。

受控推理

提示词要求简体中文、合法 JSON、至少一条引用案例,并过滤虚构引用。

部署交付

形成 Streamlit 应用、测试脚本、索引文件、离线兜底和 PyInstaller 安装器。

广州大学创新训练项目 · 已结题

基于 RAG-LLM 的
施工安全风险分析系统

系统基于 53,000+ 条 OSHA 施工事故记录构建向量知识库,通过 RAG 检索增强与 DeepSeek 大模型生成结构化风险报告,配合环境传感器数据与 Plotly 可视化看板,形成从数据采集到风险输出的完整链路。支持离线规则兜底,并通过 PyInstaller 打包为 Windows 可执行程序。

FAISS 向量检索 DeepSeek LLM JSON Schema 校验 Plotly 可视化 环境传感器 PyInstaller 打包 Streamlit Web
← 返回个人主页