1.一种基于深度学习的输电线路视频山火检测方法，该方法包括：

步骤1：获取输电线路视频监控山火图像；

步骤2：对收集到的输电线路视频监控图像中的山火及烟雾进行标注，标签记为烟雾和火，获得训练数据集；

步骤3：采取泊松融合、随机裁剪、随机翻转和随机噪声添加的方法，对现有的输电线路视频监控山火图像进行数据集扩充；

步骤4：搭建山火检测网络；

步骤4.1：训练图像输入后首先经过特征提取网络，得到3个不同尺度的特征图，其中特征图1尺寸大小为20×20×1024，特征图2尺寸大小为40×40×512，特征图3尺寸大小为80×80×256；

步骤4.2：对获得的特征图进行特征融合，将特征图1进行1×1的卷积，降维到512维，得到融合特征图1，大小为20×20×512；再将特征图1上采样，之后进行1×1的卷积，降维到

256维度，与特征图2相加，获得融合特征图2，大小为40×40×256；再将特征图2上采样，之后进行1×1的卷积，降维到128维度，与特征图相加，获得融合特征图3，大小为80×80×

128；进一步地，对融合特征图3进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图2相加，得到第二路分支输出；对融合特征图2进行分支融合操作，上支为最大池化串联一个卷积操作，下支为两个卷积操作，上下支合并后，再与融合特征图1相加，得到第一路分支输出；

步骤4.3：对第一路分支输出、第二路分支输出和融合特征图3分别通过3×3的卷积层1和批归一化层1；再分别通过3×3的卷积层2、批归一化层2和激活层，分别得到预测特征图

1，大小为20×20×21，预测特征图2，大小为40×40×21，预测特征图3，大小为80×80×21；

并最终在三个预测特征图进行回归和分类操作，判断是否发生火灾和发生火灾的位置；

步骤5：将步骤3中获得的数据集作为输入，训练一个步骤4得到的山火监测网络；

步骤6：进行山火检测应用时，具体为输入输电线路监控图像，并进行图像1024×1024的缩放，最终获得山火烟雾的检测框，并进行山火烟雾报警。

2.如权利要求1所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤4.1中，特征提取网络为：训练图像首先经过四个特征提取网络第一模块，再串联两个第二模块，再串联一个卷积核大小为3的第一模块结构，再并联两个第二模块后，通过注意力机制模块，注意力机制模块由通道自注意力模块和空间注意力模块串联而成；最后串联一个第三模块，第三模块的输出为特征提取网络的最后输出；

所述第一模块由卷积层、批归一化层和SiLU激活函数层组成；

所述第二模块由两支组成，上支结构经过卷积核大小为1的第一模块结构后作为上肢输出；下支为卷积核大小为1的第一模块结构，再串联四个卷积核大小为3的第一模块结构后作为输出；在下支中第三个卷积核大小为3的第一模块结构进行分路与上肢合并后再与下支的输出合并，作为第二模块的输出；

所述第三模块由两支组成，上支为最大池化和卷积核大小为1的池化下采样，下支为卷积核Kernel大小为1和卷积核Kernel大小为3，卷积步长为2的串联卷积池化下采样，最终将两个结果进行维度的拼接，作为第三模块的输出。

3.如权利要求1所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤5中，训练轮次为200，采用随机梯度下降优化器，初始动量为0.9，动量衰减率为

0.002，初始学习率为0.01，学习率衰减为0.00002/轮，批尺寸为8。

4.如权利要求2所述的一种基于深度学习的输电线路视频山火检测方法，其特征在于，所述步骤4.1中，通道自注意力模块主要由池化层和卷积层构成，分为两支，一支为最大池化操作，另一支为平均池化操作，然后分别输入到共享卷积层中，主要为串联的两个全连接层，第一个全连接层神经元个数为64，第二个全连接神经元个数为512，然后再将两支输出进行相加操作，最后经过Sigmoid再与输入特征相乘，获得空间注意力机制的输入特征；空间注意力机制主要也由池化层和卷积层构成，也分为两支，一支为最大池化操作，另一支为平均池化操作，然后合并两个结果，然后经过一个7×7的卷积层，将维度降到1维，最后经过Sigmoid再与输入特征做乘法，获得最终特征图。