人居微环境视觉检测系统

✨ 项目核心亮点

1. 完全本地私有化推理 所有图片、数据都在本机处理，依托Ollama运行LLaVA多模态大模型，图片不会上传公网，隐私友好。
2. 前后端完整链路，开箱Demo可用

• 后端：FastAPI提供接口，模块化分层架构（Router / Service / Utils）
• 前端：静态HTML页面，支持图片上传提交，可视化展示评估结果
• 架构解耦：路由层、业务服务层分离，代码结构清爽，方便后续扩展

3. AI视觉分析人居环境风险 上传室内实拍图片，LLaVA识别画面内隐患，按固定JSON格式输出：

• risk_level：风险等级 low / medium / high
• summary：环境情况总结
• suggestions：整改建议列表 可识别：积水、霉菌、杂物堆积、能见度差（空气污染）等室内人居隐患。

4. 最小闭环开发思路，Mock先行再接入大模型 开发流程：先用Mock数据打通前端、接口全链路，验证交互逻辑；链路跑通后，直接替换为真实多模态大模型调用。 优势：调试简单，不会因为大模型不稳定导致整体服务崩溃；内置异常降级，模型调用失败自动返回兜底评估结果。
5. 模块化设计，方便二次扩展 预留扩展方向：

• 接入RAG知识库，导入人居环境标准规则，降低大模型幻觉
• 对接传感器（PM2.5、温湿度），视觉+传感数据融合综合评估
• 增加视频帧采样分析，持续监控环境变化
• 新增更多场景规则（地下室、密闭舱体等封闭空间）

📦 技术栈

• Python + FastAPI：后端接口服务
• Ollama + LLaVA：本地多模态视觉大模型
• HTML原生前端：静态页面，无需前端框架
• httpx：异步HTTP客户端调用Ollama接口
• 项目目录规范，自带.gitignore，可直接Git版本管理

📷 功能演示流程

1. 启动Ollama本地服务，提前拉取LLaVA模型
2. 启动FastAPI后端服务，浏览器访问本地首页
3. 前端页面选择室内图片上传，提交请求
4. 后端接收图片文件，转Base64，调用LLaVA视觉模型
5. AI返回结构化评估结果，前端页面展示风险等级、总结、整改建议

📁 项目目录结构

human_env_api/
├── main.py                 # FastAPI入口，静态页面挂载
├── routers/
│   └── vision_router.py    # 图片分析接口路由
├── services/
│   ├── vision_service.py   # 视觉业务逻辑
│   └── llama_service.py    # Ollama LLaVA调用封装
├── html_basic/static/      # 前端静态页面(index.html)
├── utils/                  # 工具函数目录
├── config/                 # 配置文件目录
├── knowledge/              # 知识库目录（预留RAG扩展）
├── requirements.txt        # 依赖清单
└── .gitignore

📌 当前状态

✅ 已完成：图片上传链路、Base64处理、LLaVA本地调用、结构化JSON返回、前端页面展示、异常降级兜底。 ⏳ 待迭代：RAG知识库融合、多传感器数据接入、视频帧检测、更多场景规则优化。

💬 分享说明

本项目是DIY本地AI工具，代码开源分享，欢迎创客、硬件/环境爱好者交流讨论，一起迭代人居微环境检测方案。