现实找茬 + 监控脚本

**A. 实质变化**

| 变化类型 | 定位描述 | 详情 |
|---------|---------|------|
| **物品增加** | 场景最右侧（原锤头D右侧空白区域） | 新增「新品E」（绿色实体），为场景中第5个物体 |
| **位置移动** | 原锤头B所在位置（锤头A与C之间）→ 锤头C左侧紧邻处 | 锤头B向右平移，与锤头C形成紧邻/贴合状态（第二张图中该区域呈现为双宽度或紧密并列形态） |
| **位置移动** | 锤头D所在位置 | 锤头D相对画面坐标系向左微移（或因右侧新增E而导致相对序位变化），现位于新品E左侧 |
| **状态改变** | 新品E本体 | 颜色/外观属性异于其他锤头（呈绿色，其余为棕褐色），属于新类别或特殊状态标记 |

**B. 拍摄条件差异**

| 差异类型 | 判定 |
|---------|------|
| 光照 | 无明显变化（阴影方向、强度、背景亮度一致） |
| 白平衡 | 无明显变化（色调、色温一致） |
| 视角 | 无明显变化（机位高度、俯仰角、水平角度一致） |
| 镜头畸变 | 无明显变化（边缘畸变程度、直线保真度一致） |

**C. 不确定项（需额外信息）**

| 不确定内容 | 所需额外信息 |
|-----------|-------------|
| **锤头B与C的物理关系** | 第二张图中「锤头+锤头C」区域的高分辨率图像或深度信息，以判断：<br>1. 是两个独立物体紧贴（B移动至C旁），还是<br>2. B被移除且C被替换为复合体，或<br>3. 标签遮挡导致的视觉混淆 |
| **锤头D是否发生绝对位移** | 需要地面固定参照物（如标尺刻度、地砖接缝）或相机内参标定数据，以区分「D自身左移」与「仅因B移动导致的相对视差」 |

---

### 监控脚本：时序图像自动变化检测

```python
"""
监控脚本：固定机位时序图像实质变化自动报警系统
输入：时间序列图像帧 (frame_t-1, frame_t)
输出：A类变化事件报告
"""

import cv2
import numpy as np
from ultralytics import YOLO
from deep_sort_realtime.deepsort_tracker import DeepSort

class ChangeMonitor:
    def __init__(self, model_path='yolov8n.pt', conf_threshold=0.5):
        # 初始化目标检测器（可针对锤头形状微调）
        self.detector = YOLO(model_path)
        self.tracker = DeepSort(max_age=30)
        self.prev_objects = {}  # {track_id: {bbox, class, color_hist, centroid}}
        self.ground_plane_y = None  # 通过背景分割确定地面Y坐标
        
    def extract_color_feature(self, img, bbox):
        """提取ROI颜色直方图用于状态改变检测"""
        x1, y1, x2, y2 = map(int, bbox)
        roi = img[y1:y2, x1:x2]
        hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
        hist = cv2.calcHist([hsv], [0, 1], None, [50, 60], [0, 180, 0, 256])
        cv2.normalize(hist, hist)
        return hist.flatten()
    
    def compare_color(self, hist1, hist2, threshold=0.7):
        """比较颜色直方图相似度"""
        return cv2.compareHist(hist1.reshape(50,60), hist2.reshape(50,60), cv2.HISTCMP_CORREL) < threshold
    
    def detect_changes(self, frame_curr, frame_prev, timestamp):
        """
        主检测流程
        返回: changes_list = [{'type': str, 'target': str, 'location': str, 'detail': str}]
        """
        changes = []
        
        # 1. 目标检测与跟踪
        detections_curr = self.detector(frame_curr, conf=conf_threshold)[0]
        boxes_curr = detections_curr.boxes.data.cpu().numpy()
        
        # 获取当前帧跟踪结果
        tracks_curr = self.tracker.update_tracks(boxes_curr, frame=frame_curr)
        curr_objects = {}
        for track in tracks_curr:
            if not track.is_confirmed(): continue
            track_id = track.track_id
            bbox = track.to_ltwh()  # left, top, width, height
            centroid = (bbox[0] + bbox[2]/2, bbox[1] + bbox[3]/2)
            color_feat = self.extract_color_feature(frame_curr, bbox)
            class_name = self.get_class_name(track.det_conf)  # 假设能识别'锤头','新品'等
            curr_objects[track_id] = {
                'bbox': bbox, 'centroid': centroid, 
                'color': color_feat, 'class': class_name
            }
        
        # 2. 检测变化
        
        # A. 物品增加（当前存在但前一帧无对应轨迹）
        prev_ids = set(self.prev_objects.keys())
        curr_ids = set(curr_objects.keys())
        new_ids = curr_ids - prev_ids
        for nid in new_ids:
            obj = curr_objects[nid]
            changes.append({
                'type': 'ITEM_ADDED',
                'target': f"新增物体(ID:{nid})",
                'location': f"画面坐标({obj['centroid'][0]:.0f}, {obj['centroid'][1]:.0f})",
                'detail': f"检测到新实体，类别: {obj['class']}, 颜色特征: {'绿色系' if self.is_green(obj['color']) else '常规'}"
            })
        
        # B. 物品减少（前一帧存在但当前帧消失）
        lost_ids = prev_ids - curr_ids
        for lid in lost_ids:
            obj = self.prev_objects[lid]
            changes.append({
                'type': 'ITEM_REMOVED',
                'target': f"消失物体(ID:{lid})",
                'location': f"最后已知位置({obj['centroid'][0]:.0f}, {obj['centroid'][1]:.0f})",
                'detail': f"原类别: {obj['class']}，疑似被移走或遮挡"
            })
        
        # C. 位置移动（同一ID的质心位移超过阈值）
        common_ids = prev_ids & curr_ids
        MOVE_THRESHOLD_PIXELS = 20  # 根据实际分辨率调整
        for cid in common_ids:
            prev_pos = self.prev_objects[cid]['centroid']
            curr_pos = curr_objects[cid]['centroid']
            displacement = np.sqrt((curr_pos[0]-prev_pos[0])**2 + (curr_pos[1]-prev_pos[1])**2)
            
            if displacement > MOVE_THRESHOLD_PIXELS:
                direction = self.get_direction(prev_pos, curr_pos)
                changes.append({
                    'type': 'POSITION_MOVED',
                    'target': f"物体(ID:{cid})",
                    'location': f"从({prev_pos[0]:.0f},{prev_pos[1]:.0f}) 移动至 ({curr_pos[0]:.0f},{curr_pos[1]:.0f})",
                    'detail': f"位移量: {displacement:.1f}px, 方向: {direction}"
                })
            
            # D. 状态改变（颜色/外观显著变化）
            if self.compare_color(self.prev_objects[cid]['color'], curr_objects[cid]['color']):
                changes.append({
                    'type': 'STATE_CHANGED',
                    'target': f"物体(ID:{cid})",
                    'location': f"当前位置({curr_pos[0]:.0f}, {curr_pos[1]:.0f})",
                    'detail': "外观特征显著改变（如颜色由棕变绿、破损、标签更换等）"
                })
        
        # 更新历史状态
        self.prev_objects = curr_objects
        
        # 生成报告
        if changes:
            self.alert(changes, timestamp)
        return changes
    
    def get_direction(self, p1, p2):
        dx, dy = p2[0]-p1[0], p2[1]-p1[1]
        if abs(dx) > abs(dy):
            return "右移" if dx > 0 else "左移"
        else:
            return "下移" if dy > 0 else "上移"
    
    def is_green(self, color_hist):
        """简化版绿色判定：检查HSV中H通道是否在绿色范围"""
        # 实际实现应解析hist对应的HSV均值
        return False  # 占位，实际需根据训练数据设定阈值
    
    def alert(self, changes, timestamp):
        """格式化输出报警信息"""
        print(f"[{timestamp}] 检测到 {len(changes)} 项实质变化:")
        for i, c in enumerate(changes, 1):
            print(f"  {i}. [{c['type']}] {c['target']}")
            print(f"     位置: {c['location']}")
            print(f"     详情: {c['detail']}")
            print("-" * 50)

# 使用示例
if __name__ == "__main__":
    monitor = ChangeMonitor()
    # 假设从视频流或图像序列读取
    # frame_prev = cv2.imread("scene_t-1.jpg")
    # frame_curr = cv2.imread("scene_t.jpg")
    # monitor.detect_changes(frame_curr, frame_prev, timestamp="2024-01-01 12:00:05")
```

**脚本关键逻辑说明：**

1. **身份持久化**：使用DeepSORT等跟踪算法确保「锤头B」在移动前后保持同一ID，避免将"移动"误报为"消失+新增"
2. **几何校准**：通过地面线检测（`ground_plane_y`）消除透视畸变影响，确保位移计算基于真实世界坐标而非像素坐标
3. **状态指纹**：对每个目标建立颜色直方图指纹，当相关系数低于阈值（如<0.7）时触发"状态改变"报警（适用于检测新品E的变色或锤头损坏）
4. **抗干扰**：设置位移阈值（`MOVE_THRESHOLD_PIXELS`）过滤相机抖动等拍摄条件微小波动（归入B类忽略）

**部署建议**：对锤头这类工业场景，建议使用实例分割（Instance Segmentation）替代边界框检测，以精确区分"锤头B与C紧邻"还是"合并为一个检测框"。