1.一种化工厂危险区域入侵预警方法，其特征在于，包括以下步骤：步骤1：预训练SSD网络模型，标注图像数据，重点关注工人目标；

步骤2：在化工厂内不同位置安装网络摄像头，监控危险区域附近区域，获取工人目标检测数据，将视频传输至本地；

步骤3：将危险区域在视频中标注出，划定出电子围栏区域，设置为危险区域，在危险区域外指定半径辐射范围内再次划定电子围栏，将此范围的区域设置为激活区域；

激活区域具体如下：

步骤2.1：以危险区域中心为圆心，规定的安全标准距离为半径，在危险区域附近划定一个圆形范围，圆形边缘和危险区域边缘中的区域称为激活区域；

步骤2.2：在激活区域和危险区域中，按照距离划分为三个区域，从激活区域边界到危险区域边界之间的一半距离为三级危险区，即轻度危险，从危险区域边界到三级危险区边界之间为二级危险区，即中度危险，危险区域内则为一级危险区，即极度危险；

步骤4：使用工人检测模型Worker‑SSD模型跟踪视频帧中的每个工人；

步骤5：针对跟踪到的工人，记录历史行走轨迹，使用改进后的TCN模型CrossHSTCN预测工人未来行走轨迹，所述CrossHSTCN模型包括：采用原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度；

所述步骤5中原始TCN构造Seq2Seq结构，加入多头Cross Attention机制更好地提取局部信息，并引入局部敏感哈希LSH，加快模型训练速度的具体步骤如下：步骤3.1：Cross Attention是将两个相同维度的输入序列不对称地组合在一起，其中一个序列作为查询Query的输入，另一个则用于键值对(K,V)的输入；首先将输入序列转换成两个嵌入序列，根据序列1计算键K和值V，根据序列2计算查询Q，再通过键K和查询Q计算注意力矩阵，将值V应用在注意力矩阵上，最终输出与序列2长度一致的序列，上述过程可描述为：T

Cross‑Attention(Q,K,V)＝softmax((WQS2)(WKS1))WVS1        (1)其中，S1和S2分别为嵌入序列1和嵌入序列2，W为注意力矩阵，softmax代表softmax激活函数；

步骤3.2：将局部敏感哈希LSH用于Cross Attention中，运用大量数据近似查找，即比较数据点之间的距离或者相似度；给定一族哈希函数H，H是一个从欧式空间S到哈希编码空间U的映射；如果满足下述两个条件，则此哈希函数满足(r1,r2,p1,p2)性：其中，B表示以q为中心，r1或r2为半径的空间，h是一个从H族中随机选择的哈希函数；长2

度为L的序列在计算和内存复杂度上都为O(L)，而使用LSH的近似注意力计算将复杂度降低为O(L log L)；

步骤6：使用改进的人工生态系统优化算法AEO优化CrossHSTCN模型的核心参数，所述改进的人工生态系统优化算法包括：混沌Logistic映射用于种群初始化，在消费操作中使用加权策略替换概率选择策略，添加差分进化算法中的选择变异更新全局个体位置；

所述步骤6中的改进人工生态系统优化算法的具体步骤为：

步骤4.1：设置人工生态系统优化算法AEO算法的目标函数为行走轨迹测试序列真实值与预测值的误差并初始化相关参数，包括种群大小、迭代次数和待优化个体维度；

步骤4.2：使用混沌Logistic映射替换随机初始化，初始化AEO算法的种群初始位置，Logistic映射公式如下：p(n+1),d＝μpn,d(1‑pn,d)        (3)其中，n∈[1,Nmax]，d∈[1,D]，μ是混沌状态的控制参数，当Logistic公式完全进入混沌状态时，μ取4，而当p(n+1),d∈[0,1]时，Logistic映射处于混沌状态；

步骤4.3：根据目标函数计算个体的适应度值，并记录最优适应度值对应的最佳个体Popbest；

步骤4.4：执行AEO的生产操作和消费操作，在AEO中的消费过程中，将随机选择食肉、食草、杂食动物的策略改为加权策略，三种消费方式如下述公式所示：

1 2 3

其中，p，p和p分别表示食草动物，食肉动物和杂食动物；

各自的权重可由公式描述如下：

其中，Ψ代表食肉、食草和杂食的权重，X表示通过三种更新方式得到的个体；根据此方式，更新后得到的个体可由如下公式表示：其中，X(t+1)表示更新后的个体值，t表示当前迭代次数；

步骤4.5：AEO算法进行分解操作，再对种群中所有个体进行差分进化中的交叉选择和变异操作，其过程可由如下公式描述：ξi(t+1)＝pi1(t)+F·(pi(t)‑pij(t))                   (11)其中，F是比例系数，pi(t)表示第t次迭代中的第i个个体，CR表示交叉选择概率，ξ表示变异后的个体，表示交叉选择后的个体；

步骤4.6：判断是否达到最大迭代次数，若未达到则AEO算法进入步骤4.2；否则，结束运行并输出最终结果；

步骤7：根据步骤5中预测的未来行走轨迹，判断工人走向是否将进入危险区域，且检测工人是否处于激活区域，若满足条件则进行预警。

2.根据权利要求1所述的一种化工厂危险区域入侵预警方法，其特征在于，所述CrossHSTCN的核心参数包括：TCN模型的卷积核大小、卷积核数量、扩张因子、dropout值，局部敏感哈希LSH中的概率p。

3.一种化工厂危险区域入侵预警系统，其特征在于，所述系统包括，用于采集化工厂危险区域的网络摄像头、用于训练和运行SSD模型和CrossHSTCN模型的本地服务器、用于配置网络的路由器和用于预警的扬声器模块；

所述本地服务器中配置有基于权利要求1或2所述的化工厂危险区域入侵预警方法，所述本地服务器与所述网络摄像头、扬声器模块连接。