1.一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，包括：图像采集模块、特征处理模块、一致性分析模块和预警发布模块；图像采集模块、特征处理模块、一致性分析模块和预警发布模块依次连接；图像采集模块用于获取公路边坡区域全时段图像数据；特征处理模块包括基于YOLOv12构建的特征提取网络和FARA区域相似性测度特征对齐机制，用于对图像数据进行特征提取和对齐校正，得到对齐后的图像特征数据；一致性分析模块对对齐后的图像特征数据与预设参考图像特征数据进行多层级相似度分析，得到图像总相似度数据；预警发布模块结合原位监测数据与图像总相似度数据执行分级预警响应；其中，原位监测数据为通过设置在边坡内部及周边的多类原位监测装置采集的多维度物理参数数据；一致性分析模块是指在像素级、特征级和关键点级别分别计算余弦相似度并融合分析的模块；FARA区域相似性测度特征对齐机制是指通过聚焦关键区域特征信息、结合区域相似性测度机制与特征对齐策略实现特征校正的模块。
2.根据权利要求1所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于：图像采集模块包括布设在公路边坡对向的多台黑光相机以及设置在边坡坡顶、坡面与坡脚的自发光标识物；其中，黑光相机的摄像分辨率不低于2560×1440像素且支持30米有效距离成像。
3.根据权利要求2所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，图像采集模块还被配置为：控制多台黑光相机以定时拍摄与事件触发结合的双模式采集边坡区域图像，同步记录每帧采集图像的拍摄时间，同时以自发光标识物作为空间基准，对采集的图像进行初步定位校准；对初步校准后的图像进行降噪预处理，去除图像干扰信息，得到所述全时段图像数据。
4.根据权利要求3所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，特征处理模块还被配置为：将全时段图像数据输入基于YOLOv12构建的特征提取网络，依次经过主干网络特征提取与颈部网络特征融合，提取包含边坡坡面、植被、岩体、土体元素的语义特征数据；将语义特征数据输入FARA区域相似性测度特征对齐机制，针对不同的黑光相机采集图像及同一黑光相机不同时间采集图像的视角偏差、特征分布差异，动态调整关键区域的特征权重分布；完成特征权重调整后，输出对齐后的图像特征数据。
5.根据权利要求1所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，一致性分析模块还被配置为：分别提取对齐后的图像特征数据与预设参考图像特征数据在像素级、特征级、关键点级的特征向量，形成多层级特征向量集合；分别计算各层级特征向量间的余弦相似度；对各层级余弦相似度赋予满足归一化条件的权重系数并加权求和，得到图像总相似度数据，构建边坡异常识别的一致性评估依据；其中，余弦相似度是指通过计算两个向量夹角的余弦值衡量两个向量在多维空间中方向相似性的度量指标。
6.根据权利要求1所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，多类原位监测装置包括测斜仪、孔隙水压力计和雨量计；原位监测数据的采集过程包括：在边坡潜在滑动面区域布设测斜仪，测斜仪用于精确测量边坡内部侧向位移量、位移速率、位移方向及滑动面深度位置；在边坡坡顶、坡中不同深度、坡脚区域、潜在滑动面之上、滞水层及土岩接触面布设孔隙水压力计，孔隙水压力计用于监测边坡内部水文压力变化；在边坡附近开阔无遮挡的代表性区域布设雨量计，雨量计用于采集边坡及其汇水区内实际降雨数据；整合测斜仪、孔隙水压力计与雨量计的采集数据得到原位监测数据。
7.根据权利要求6所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，全时段公路边坡异常智能识别与风险预警系统还包括多模态数据融合模块，多模态数据融合模块与多类原位监测装置连接；预警发布模块执行分级预警响应前还包括多模态数据融合，多模态数据融合模块为图像总相似度数据与原位监测数据分别赋予基于网络时间协议同步的高精度时间戳以时间戳为索引，将同一时间维度下的图像总相似度数据与原位监测数据进行关联匹配，实现不同数据模态的对齐，形成包含图像特征信息与物理参数信息的多维数据快照，作为分级预警响应的分析依据。
8.根据权利要求7所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，全时段公路边坡异常智能识别与风险预警系统还包括风险研判模块，风险研判模块分别与预警发布模块和多模态数据融合模块连接；风险研判模块预设多级预警阈值，风险研判模块被配置为：将图像总相似度数据与预警阈值比对，同时结合多维数据快照中的原位监测数据变化趋势进行交叉验证；其中，预警阈值为基于黑光相机成像性能与边坡安全等级优化确定的相似度判定标准；预警发布模块还被配置为：获取比对与验证结果后触发对应的分级预警机制；分级预警机制包括联动声光告警、向应急平台发送实时异常图像与位置、向巡检终端推送异常标注图像及空间坐标。
9.根据权利要求4所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，特征处理模块在提取语义特征数据时，执行关键点识别与定位：在基于YOLOv12构建的特征提取网络头部，除原有类别概率与边界框坐标输出外，新增特征点坐标预测分支，形成多任务网络；通过联合损失函数对多任务网络进行训练优化，联合损失函数包括采用交叉熵损失的分类损失、采用EIoU损失的边界框损失以及采用热力图损失的特征点损失；通过训练后的多任务网络，在提取语义特征数据的同时输出边坡关键特征点坐标信息，依据坐标信息对关键点位置进行校准匹配，辅助特征对齐校正。
10.根据权利要求5所述的一种全时段公路边坡异常智能识别与风险预警系统，其特征在于，一致性分析模块计算各层级余弦相似度后，还被配置为执行对异常的初步判定：基于边坡正常状态下的历史数据，分别设定像素级、特征级、关键点级各层级的相似度判定阈值；将各层级计算得到的余弦相似度与对应层级判定阈值进行比较，若任一层级的余弦相似度低于对应阈值，则标记该层级为潜在异常层级；统计潜在异常层级数量及各层级偏离程度，作为后续计算图像总相似度数据及风险预警分析的参考依据。
