1.一种基于深度学习的输电走廊山火识别方法，其特征在于，包括具体步骤如下：S1：构建输电走廊山火图像数据集；

S2：对输电走廊山火图像数据集中的输电走廊山火图像进行特征增强；

S3：构建了一种基于深度学习的输电走廊山火识别模型，将输电走廊山火图像输入模型中，模型自动识别输电走廊图像中的山火；

S4：划分输电走廊山火图像数据集，训练并验证输电走廊山火识别模型；

S5：应用输电走廊山火识别模型；

所述S3的具体流程为：

S31：设计一种DFM动态感知特征提取模块；

S32：设计一种DF-SPPF金字塔池化结构，以使DF-SPPF金字塔池化结构利用并行的空洞卷积分支对输电走廊山火图像特征进行提取，并通过池化操作将不同尺度的输电走廊山火图像特征融合；

S33：设计一种AD-Head空洞检测头；

S34：利用S31设计的DFM动态感知特征提取模块、S32设计的DF-SPPF金字塔池化结构、S33设计的AD-Head空洞检测头提出一种输电走廊山火识别模型，通过输入输电走廊山火图像，自动识别并定位图像中的山火；

所述S31的具体流程为：

S311：输入输电走廊山火特征图T1到CBS模块中，得到特征图T2；

S312：将T2沿通道分裂得到特征图T3和T4；

S313：将T3经过平均池化、动态卷积、BN批归一化、Swish激活函数以及GAM中得到特征图T5；

S314：将T4经过最大池化、动态卷积、BN批归一化、Swish激活函数以及GAM中得到特征图T6；

S315：将T5和T6沿通道叠加后输入CBS模块中，得到特征图T8；

所述S33的具体流程为：

S331：输入输电走廊山火特征图L1到CBS模块中得到特征图L2；

S332：将L2输入至三个分支中，在第一分支中，L2经CBS模块、二维卷积层后计算得到目标类别；

S333：在第二分支中，L2输入空洞卷积中再进行BN批归一化和ReLu激活函数函数运算，得到特征图L5，在第三分支中，L2输入空洞卷积中再进行BN批归一化和ReLu激活函数函数计算得到特征图L6，将L5和L6进行特征相加得到特征图L7，接着将L7输入到两个分支，在上分支中L7输入二维卷积层后计算得到回归框，在下分支中L7输入到二维卷积层后计算得到目标置信度。

2.根据权利要求1所述的一种基于深度学习的输电走廊山火识别方法，其特征在于，所述S1的具体流程为：S11：收集输电走廊山火图像或使用公开的输电走廊山火图像数据集构建输电走廊山火图像数据集；

S12：将收集到输电走廊山火图像数据集通过人工进行标注，使用LabelImg图像标注工具将输电走廊山火图像中的山火位置进行框选并标注其类别为山火。

3.根据权利要求1所述的一种基于深度学习的输电走廊山火识别方法，其特征在于，所述S2的具体流程为：S21：将输电走廊山火图像数据集中的输电走廊山火图以RGB图像进行处理；

S22：通过提高图像中的R元素并降低G和B元素的值，对输电走廊山火图像数据集中的山火特征进行特征增强；

其中，处理计算公式如下：

R_adj(x,y)＝max(0,min(255,R_orig(x,y)×α))G_adj(x,y)＝max(0,min(255,G_orig(x,y)×β))B_adj(x,y)＝max(0,min(255,B_orig(x,y)×β))其中R_orig(x,y)、G_orig(x,y)、B_orig(x,y)表示原始图像在(x,y)位置的R、G、B元素值，范围为0-255，R_adj(x,y)、G_adj(x,y)、B_adj(x,y)表示调整后图像在(x,y)位置的R、G、B元素值，α用于增加R元素的因子，是一个大于1的数，β用于降低G和B元素的因子，是一个0到1之间的数，提高R元素的值，能够显著增强图像中火焰的红色特征，使其更加突出和易于识别，同时，降低G和B元素的值则有助于减少背景和其他非火焰区域的干扰，进一步凸显火焰区域，提高整体图像的对比度，然后将图像的尺寸统一扩展或压缩为512×512×3，保证后续输入的图片尺寸一致。

4.根据权利要求1所述的一种基于深度学习的输电走廊山火识别方法，其特征在于，所述S4的具体流程为：S41：将在S1中构建的输电走廊山火图像数据集按4：1划分训练集、验证集，并对S3构建的输电走廊山火识别模型进行训练；

S42：初始化所有神经网络参数，并设置模型相关的训练参数，将训练集和验证集数据划分为多个批次，每次将一批次的训练集数据输入到算法当中进行训练，得到该批次的训练损失值；

S43：将验证集按批次输入至模型，得到相应批次损失值，根据每次的批次损失值情况自动学习并进行参数调整，直至批次损失值趋于收敛时，输电走廊山火识别模型训练完成。

5.根据权利要求1所述的一种基于深度学习的输电走廊山火识别方法，其特征在于，所述S5的具体流程为：S51：在输电走廊山火识别模型训练完成后将模型集成到现有的输电走廊监测系统中，确保模型能够实时接收输电走廊区域的图像或视频数据；

S52：在系统中设置适当的告警阈值，当模型识别到山火风险置信度超过阈值时，自动触发告警机制，将识别出山火的时间、输电走廊区域位置信息通过邮件和短信的方式发送给输电走廊安全保障人员，从而能及时有效地保证电力系统的安全稳定。