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。
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。
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。
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。
风险等级、危险源、措施、PPE、理由统一为结构化字段。
温度、风速、湿度作为风险放大器,形成 0-100 综合风险分。
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。
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。
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。
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。
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。
中文风险词自动追加英文术语,桥接英文事故知识库。
向量召回候选案例,再用语义分 + 关键词分混合重排。
DeepSeek 在证据池内输出 JSON,不输出 Markdown 或自由长文。
JSON Schema、字段值域、引用案例过滤共同封堵幻觉引用。
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。
53,000+ OSHA 事故记录、环境传感器接口、CSV 上传入口
文本清洗拼接、sentence-transformers 嵌入、FAISS 索引构建与持久化
中英文查询扩展、混合检索评分、DeepSeek 生成、JSON Schema 校验与兜底
Streamlit 交互界面、Plotly 可视化看板、测试套件、Windows 安装器打包
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。
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。
用 CSDataset/OSHA 事故记录拼接检索文本,建立可追溯 case_id。
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。
形成 Streamlit 应用、测试脚本、索引文件、离线兜底和 PyInstaller 安装器。
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。