1.一种基于人工智能的工厂障碍物风险评估方法，其特征在于，包括以下步骤：获取工厂的全景图像；

基于所述工厂的全景图像，获取工厂中的障碍物的检测结果；

基于所述障碍物的检测结果，获取障碍物特征数据，所述障碍物特征数据包括障碍物面积占比特征数据、障碍物空间布局特征数据和障碍物类型特征数据；

基于所述障碍物特征数据，以及预设的工厂的风险评估分析模型，获取工厂的风险评估分析结果；

所述基于所述障碍物特征数据，以及预设的工厂的风险评估分析模型，获取工厂的风险评估分析结果，包括：

对障碍物面积占比特征数据、障碍物空间布局特征数据和障碍物类型特征数据进行归一化；

构建风险评估分析模型，所述工厂的风险评估分析模型的函数表达式为：其中，为工厂的风险评估分析结果，为模型可调因子， 是以自然对数 为底数的对数函数，是自然常数，为障碍物面积占比特征数据，为障碍物空间布局特征数据，为障碍物类型特征数据；

将归一化之后的障碍物面积占比特征数据、障碍物空间布局特征数据和障碍物类型特征数据输入至所述风险评估分析模型中，获取工厂的风险评估分析结果。

2.根据权利要求1所述的基于人工智能的工厂障碍物风险评估方法，其特征在于，所述基于所述工厂的全景图像，获取工厂中的障碍物的检测结果，包括：获取工厂的全景样本图像，并对所述全景样本图像中的障碍物进行标注，得到标签数据；

将所述全景样本图像以及标签数据输入至障碍物语义分割网络中进行训练；

将所述工厂的全景图像输入至训练完成的障碍物语义分割网络中，得到障碍物的语义分割图。

3.根据权利要求1所述的基于人工智能的工厂障碍物风险评估方法，其特征在于，所述障碍物面积占比特征数据的获取过程，包括：通过障碍物的语义分割图获取每个障碍物的面积，记为 ，计算工厂中所包含障碍物的总面积，公式如下：

其中， 为工厂中的障碍物的总面积，为障碍物的个数，为模型转换因子，属于1，

2，...，；

根据障碍物的总面积以及工厂面积大小计算障碍物面积占比特征数据，公式如下：其中，为障碍物面积占比特征数据，为工厂面积。

4.根据权利要求1所述的基于人工智能的工厂障碍物风险评估方法，其特征在于，所述障碍物空间分布特征数据的获取过程，包括：将工厂的全景图像均匀分割成M个子区域，M大于等于2；

计算每个子区域中障碍物的面积；

基于各子区域的障碍物面积，获取障碍物空间布局特征数据，计算公式如下：其中，为障碍物空间布局特征数据，为M个子区域中的障碍物面积均值， 为第 个子区域中的障碍物面积，属于1，2，...，M。

5.根据权利要求1所述的基于人工智能的工厂障碍物风险评估方法，其特征在于，所述障碍物类型特征数据的获取过程，包括：获取各个障碍物的沿所述全景图像的长的方向上的第一长度和沿所述全景图像的宽的方向上的第二长度；

若第一长度小于工厂的长度与第一倍数的乘积，并且，第二长度小于工厂的宽度与第一倍数的乘积，则判定该障碍物为非特殊障碍物；

若第一长度大于工厂的长度与第一倍数的乘积，且第一长度小于工厂的长度与第二倍数的乘积，并且，第二长度大于工厂的宽度与第一倍数的乘积，且第二长度小于工厂的宽度与第二倍数的乘积，则判定该障碍物为1个第一特殊障碍物；

若第一长度大于工厂的长度与第二倍数的乘积，并且，第二长度大于工厂的宽度与第二倍数的乘积，则判定该障碍物为1个第二特殊障碍物；第一倍数小于第二倍数，第二倍数小于1；

设定1个第一特殊障碍物为一个特殊障碍物，1个第二特殊障碍物为两个特殊障碍物，第一特殊障碍物的个数记为 ，第二特殊障碍物的个数记为 ，计算障碍物类型特征数据，计算公式如下：

其中，为障碍物类型特征数据。

6.一种基于人工智能的工厂障碍物风险评估系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1‑5中任一项所述的基于人工智能的工厂障碍物风险评估方法。