本发明涉及图像安全监管领域，提供了一种基于正样本的多帧动态处理的山火异常检测方法。
背景技术：
1、在山火检测领域，传统方法为人工审查摄像头传回数据，判断是否存在山火事件。近年来，随着深度学习领域的发展，目标检测技术与大模型技术等层出不穷。利用目标检测技术与大模型技术进行山火检测的方案也逐渐变多，同时还伴随着无人机搭载深度学习算法进行巡检的任务。以上技术面临以下问题：
2、传统的人工审查火情的方式，耗时耗力，每天成千上万的数据无法同时兼顾，难免遗漏且成本很高。
3、传统深度学习模型在需要大量数据标注训练的情况下，无法保证现场运行效果。算法不稳定且类似山火的物体误报异常之高(如云雾、太阳、黄色泥土、反光物体)。
4、大模型技术门槛较高，需要极其昂贵的显卡支撑训练与推理。
5、无人机技术搭载深度学习算法，存在一定局限性，无人机这个平台本身就具有很多局限性，搭载的分析功能不会太多。同时无人机需要招募对应飞手，无人机续航也存在问题，导致成本居高不下。
技术实现思路
1、本发明的目的在于通过创新的动态处理和正样本策略，提高山火检测算法的精确率和稳定性，特别是在输电场景中的应用，从而有效减少误报和提高检测效率。
2、为了实现上述目的本发明采用以下技术手段：
3、本发明提供了一种基于正样本的多帧动态处理的山火异常检测方法，包括以下步骤：
4、步骤1、对山火数据进行多级别标注，得到精细标注的数据集；
5、步骤2、利用精细标注的数据集进行模型训练，得到检测模型，用于直接对图像进行目标检测，得到目标检测框；
6、步骤3、使用图像处理技术，对视频帧进行差分处理以识别变化区域，然后提取轮廓并筛选出特定大小的区域，最后将这些区域映射到一个n等分的掩码上进行处理，以实现对动态目标的检测，判断目标检测框是否位于变化区域，过滤静态误报；
7、步骤4、使用天空分割模型和opencv处理图像，将天空区域轮廓信息保存到json文件，通过读取指定json文件加载出天空区域轮廓，用于过滤山火检测中的云层误报，步骤2通过步骤3过滤静态误报后，再次通过天空分割以及opencv处理，过滤掉云层误报；
8、步骤5、记录步骤3、步骤4对步骤2中目标框的判断结果，分析判断结果，通过计分机制进行分数计算，分数达到指定阈值，则进行山火告警；
9、步骤6、在算法成功告警后，对火警评分进行清零处理并启动5分钟冷却期，期间暂停告警推送，冷却时间可调整，冷却期间步骤5计分机制同时运行，在冷却期内若达到分数告警阈值，不进行上报。
10、上述技术方案中，步骤1包括以下步骤：
11、步骤1.1、对山火进行分类标注，分为“明显火焰”、“可能是火焰”和“类似火焰的背景”；
12、步骤1.2、对烟雾进行分类标注，分为“浓烟”和“薄烟”；
13、步骤1.3、对山火周围的环境信息进行上下文标注，包括云雾、树木、建筑物；
14、步骤1.4、整合以上标注信息，形成精细标注的数据集。
15、上述技术方案中，步骤2包括以下步骤：
16、步骤2.1、使用yolov5l模型对火焰和烟雾分别进行训练；
17、步骤2.2、整合训练得到的火焰和烟雾检测模型，形成完整的山火检测模型；
18、步骤2.3、使用完整的山火检测模型对原图进行检测，得到目标检测框。
19、上述技术方案中，步骤3包括以下步骤：
20、步骤3.1、使用python队列存储当前帧和上一帧图片，进行帧差处理，得到变化区域img_poor_thres1；
21、步骤3.2、使用二值化函数对img_poor_thre1进行二值化处理，接着使用7x7的矩形结构元对img_poor_thre1分别进行一次膨胀和腐蚀操作，得到img_poor_dilate；
22、步骤3.3、使用opencv findcontours函数对腐蚀后的图像img_poor_dilate进行轮廓提取，并筛选出轮廓面积大于800的区域，记作contours_800；
23、步骤3.4、将图片分为6个区域，对每个区域内的contours_800进行处理，求出每个区域内contours_800的最小外接矩形并进行填充，构造动态检测的mask_motion；
24、步骤3.5、计算步骤2.2中目标检测框与mask_motion的iou值，判断目标框是否位于变化区域。
25、上述技术方案中，步骤4包括以下步骤：
26、步骤4.1、使用天空分割模型对有天空的图片进行天空分割，获取天空区域轮廓；
27、步骤4.2、保存天空区域轮廓信息到与图片匹配的json文件作为分割正样本，并存放到算法可以读取到的指定位置；
28、步骤4.3、在检测期间，从指定位置读取出与待检测图匹配的json文件；加载json文件中的roi信息，判断检测框与天空区域roi相对位置；
29、步骤4.4、计算步骤2.2中目标检测框下边界与天空轮廓区域的最小距离；
30、步骤4.5、将计算出的距离与安全阈值进行比较，判断是否为云层误报。
31、上述技术方案中，步骤5包括以下步骤：
32、步骤5.1、使用score_queue记录每次检测结果，并根据不同情况进行计分，最终得分为score_mountain_fire；
33、步骤5.2、判断得分score_mountain_fire是否超过告警阈值，决定是否告警。
34、上述技术方案中，步骤3.5包括以下步骤：
35、步骤3.5.1、获取当前帧图像中的检测框坐标；
36、步骤3.5.2、获取当前帧图像中的mask_motion区域；
37、步骤3.5.3、计算检测框与mask_motion区域的iou值；
38、步骤3.5.4、将计算得到的iou值与预设的阈值进行比较；
39、步骤3.5.5、若iou值大于等于阈值，则判断目标区域位于变化区域。
40、上述技术方案中，步骤5.1包括以下步骤：
41、步骤5.1.1、初始化python队列score_queue；
42、步骤5.1.2、将步骤4后的检测结果加入score_queue队列；
43、步骤5.1.3、若队列中已有两次检测结果，则取出这两次结果进行分析；
44、步骤5.1.4、根据两次检测结果进行计分：连续检测到两次山火加5分，第一次检测到第二次未检测到扣1分，第一次未检测到第二次检测到加2分，两次都未检测到扣2分；
45、步骤5.1.5、更新得分score_mountain_fire。
46、上述技术方案中，步骤5.2包括以下步骤：
47、步骤5.2.1、获取当前score_mountain_fire得分；
48、步骤5.2.2、将score_mountain_fire得分与预设的告警阈值进行比较；
49、步骤5.2.3、若score_mountain_fire得分大于等于告警阈值，则触发告警。
50、上述技术方案中，步骤3.5中
51、iou计算公式：
52、
53、
54、
55、其中iou为交并比，即为模型预测框与样本真实框交集和并集的比值，b为预测框中心坐标，bgt为真实框中心坐标；ρ为b和bgt之间的欧式距离；c为最小矩形框两对角顶点之间的欧式距离；wgt为真实框的宽，hgt为真实框的高；w为预测框的宽，h为预测框的高。
56、因为本发明采用上述技术手段，因此具备以下有益效果：
57、多级别标注技术：通过精细化的多级别标注，如将火焰分为不同确定性级别，帮助模型学习到更精确的火焰特征。解决了传统方法中对于山火特征描述不足的问题，提升了模型对山火特征的识别能力。
58、上下文标注技术：在标注山火本身的同时，标注其周围环境信息，如云雾、建筑物等，帮助模型学习山火与周围环境的关系。这解决了传统方法中环境信息利用不足的问题，增强了模型对复杂场景的理解能力。
59、动态检测机制：利用图片帧差处理和轮廓提取技术，有效识别图像中的动态变化区域，从而对山火进行实时检测。这一技术解决了静态图像分析中动态信息捕捉不足的问题，提高了山火检测的实时性和准确性。
60、云层过滤技术：采用天空分割模型和轮廓分析，过滤掉云层等误报因素。这解决了传统山火检测中云层误报率高的问题，降低了误报率。
61、计分机制和冷却机制：通过连续检测结果进行计分，并设置冷却时间，减少重复告警。这解决了传统方法中频繁误报和重复告警的问题，提高了系统的稳定性和可靠性。
62、正样本策略：利用天空分割模型产生的正样本，有效避免了对天空云层等非山火对象的误报。这解决了传统方法中正负样本不平衡导致的误报问题，提高了检测的准确性和效率。
63、相比现有技术，本方案在山火检测的准确性、实时性、稳定性方面都有显著提升，同时降低了误报率，提高了环境适应性和检测效率。
1.一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤1包括以下步骤：
3.根据权利要求1所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤2包括以下步骤：
4.根据权利要求1所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤3包括以下步骤：
5.根据权利要求1所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤4包括以下步骤：
6.根据权利要求1所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤5包括以下步骤：
7.根据权利要求4所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤3.5包括以下步骤：
8.根据权利要求6所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤5.1包括以下步骤：
9.根据权利要求6所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤5.2包括以下步骤：
10.根据权利要求4所述的一种基于正样本的多帧动态处理的山火异常检测方法，其特征在于，步骤3.5中
