本发明涉及图像处理，具体涉及一种基于人工智能的地质灾害预警方法。
背景技术：
1、滑坡是一种常见的自然灾害，给人们的生命和财产安全带来了严重威胁。边坡滑坡由于其特殊的地质条件，监测和预警的难度较大。传统的滑坡监测方法，如全站仪测量和高精度gps监测等，虽然能够提供精确的位移数据，但设备昂贵且操作复杂，且对于边坡的微小位移变化不够敏感。因此，开发一种成本低廉且敏感度高的滑坡监测方法显得尤为重要。
技术实现思路
1、本发明为了解决以上问题，提出了一种基于人工智能的地质灾害预警方法。
2、本发明的技术方案是：一种基于人工智能的地质灾害预警方法包括以下步骤：
3、s1、获取边坡的标准图像数据，并利用摄像头采集边坡的实时图像数据；
4、s2、基于标准图像数据的检测样本，利用分类器从实时图像数据中筛选目标预警样本；
5、s3、根据实时图像数据的目标预警样本，确定边坡是否发生滑坡。
6、采集斜坡不存在滑坡风险时的图像作为标准图像数据。
7、进一步地，s2包括以下子步骤：
8、s21、利用标准图像数据生成检测样本；
9、s22、将检测样本以及实时图像数据的每个像素点输入至分类器中，得到每个像素点的分类值；
10、s23、根据实时图像数据中每个像素点的分类值，筛选目标预警样本。
11、上述进一步方案的有益效果是：在本发明中，利用标准图像数据为依据，从实时图像数据中提取部分目标预警样本，作为重点预警范围，对实时图像数据的像素值进行遍历，可以剔除正常的像素点，后续步骤只对目标预警样本进行分析处理，减少图像处理流程。
12、进一步地，s21包括以下子步骤：
13、s211、将标准图像数据的中心所在像素点以及各个像素点输入至像素约束模型中，利用高斯迭代得到最佳像素位置；
14、s212、计算标准图像数据中各个像素点的像素值与最佳像素位置的像素值之间的差值，将差值大于0的像素点的像素值作为检测样本。
15、上述进一步方案的有益效果是：在本发明中，将标准图像数据的像素点带进像素约束模型中进行迭代处理，得到最佳像素值位置，再利用最佳像素位置的像素值与其余像素点的像素值之间的差值情况，提取检测样本，检测样本包含的像素点范围广，可为实时图像数据筛选目标预警样本提供依据。
16、进一步地，s211中，像素约束模型的表达式为：
17、；
18、式中，表示标准图像数据中像素点的位置，表示标准图像数据中像素点的横坐标，表示标准图像数据中像素点的纵坐标，表示标准图像数据的中心所在像素点的位置，表示欧氏距离运算，表示指数，表示标准图像数据中像素点的像素值，表示标准图像数据的中心所在像素点的像素值，表示标准图像数据的长，表示标准图像数据的宽。
19、进一步地，s22中，实时图像数据中像素点的分类值的表达式为：
20、；
21、式中，表示检测样本的第1个元素，表示检测样本的第个元素，表示检测样本的第个元素，表示检测样本的元素个数，表示符号函数。
22、对于任意实数，若，则；若，则；若，则。简单来说，sign函数根据输入的数值来判断其正负性。
23、进一步地，s23中，若实时图像数据中横坐标为且纵坐标为的像素点满足，则属于目标预警样本，否则不属于目标预警样本；其中，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值。
24、进一步地，s3包括以下子步骤：
25、s31、根据实时图像数据的目标预警样本中各个像素点的位置，在标准图像数据中提取相同位置的像素点，作为目标比对样本；
26、s32、分别计算目标预警样本的感知哈希值和目标比对样本的感知哈希值；
27、s33、判断目标预警样本的感知哈希值和目标比对样本的感知哈希值是否满足预警条件，若是则边坡未发生滑坡，否则边坡发生滑坡。
28、上述进一步方案的有益效果是：在本发明中，计算感知哈希时，对图像进行离散余弦变换，提取低频系数，对低频系数进行量化处理，并映射为二进制形式。故感知哈希值中包含了若干个0或1的值。
29、若目标预警样本的感知哈希和目标比对样本的感知哈希之间满足预警条件，则说明两个样本之间视觉相似的图像，则实时图像数据与标准图像数据之间的差别不大，未发生滑坡。
30、进一步地，s33中，预警条件的表达式为：
31、；
32、式中，表示目标预警样本的感知哈希值中所有元素的总和，表示目标比对样本的感知哈希值中所有元素的总和，表示目标预警样本中像素点个数。
33、本发明的有益效果是：本发明公开了一种基于人工智能的地质灾害预警方法，利用标准图像数据的检测样本，从实时图像数据中提取目标预警样本，再对目标预警样本和目标比对样本进行哈希处理，得到最终的灾害预警结果；本发明有效规避了传统滑坡地质灾害预警带来的设备昂贵且灵敏度低等问题，对边坡的实时图像进行分析预警，有效提高预警精度，提升地质灾害预警的响应程度。
1.一种基于人工智能的地质灾害预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工智能的地质灾害预警方法，其特征在于，所述s2包括以下子步骤：
3.根据权利要求2所述的基于人工智能的地质灾害预警方法，其特征在于，所述s21包括以下子步骤：
4.根据权利要求3所述的基于人工智能的地质灾害预警方法，其特征在于，所述s211中，像素约束模型的表达式为：
5.根据权利要求2所述的基于人工智能的地质灾害预警方法，其特征在于，所述s22中，实时图像数据中像素点的分类值的表达式为：
6.根据权利要求2所述的基于人工智能的地质灾害预警方法，其特征在于，所述s23中，若实时图像数据中横坐标为且纵坐标为的像素点满足，则属于目标预警样本，否则不属于目标预警样本；其中，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值，表示横坐标为且纵坐标为的像素点的像素值。
7.根据权利要求1所述的基于人工智能的地质灾害预警方法，其特征在于，所述s3包括以下子步骤：
8.根据权利要求7所述的基于人工智能的地质灾害预警方法，其特征在于，所述s33中，预警条件的表达式为：
