1.一种固定环境内异常物品实时检测方法，该方法包括以下步骤：
步骤1)标记原始固定环境内的正常物品，并将其从原图片中取出放入正常物品数据库；
步骤2)利用voc数据集训练yolov3算法模型，将训练好的模型输出文件保存到本地，以便调用；
步骤3)测试图片首先通过yolov3算法进行目标识别，检测结果依次和正常物品数据库中的图片共同送入感知哈希算法，进行一一计算，并获得相似度的值；
步骤4)当相似度的值大于阈值时，则认为该检测结果为正常物品，并将该图片放置正常物品数据库。
2.根据权利要求1所述的方法，所述步骤2)中的算法模型包括对预测的中心坐标做损失：
该函数计算了每一个网格单元(i＝0，...，s2)的每一个边界框预测值(j＝0，...，b)的总和；λcoord表示做x相对坐标回归的系数；
3.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对边界框的宽高做损失：
wi表示预测宽度，
4.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对预测的类别做损失：
pi(c)为预测类别，
5.根据权利要求1所述的方法，所述步骤2)中的算法模型还包括对预测的置信度做损失：
c是置信度得分，
6.根据权利要求1所述的方法，所述步骤3)中识别的图片经裁剪后缩小，然后使用dct是把图片分解频率聚集和梯状形，dct算法计算公式如下：
f(i)为原始的信号，f(u)是dct变换后的系数，n为原始信号的点数，
c(u)可以认为是一个补偿系数，可以使dct变换矩阵为正交矩阵，
根据dct矩阵，设置哈希值，大于等于dct均值的设为1，小于dct均值的设为0，组合生成hash值，顺序随意但前后保持一致性即可，将dct转换成图像，得到图片的指纹，对比不同的图片。
7.根据权利要求1所述的方法，所述步骤4)相似度的值计算为
d(x,y)＝∑(xi⊕yi)。