1.一种企业项目实施智能管理系统，其特征在于，包括：

实施现场视频采集模块，用于通过摄像头采集企业项目实施现场监控视频；

企业项目实施现场特征分析模块，用于对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征；

施工风险点检测模块，用于基于所述企业项目实施现场感知语义特征，确定是否存在施工风险点；

其中，所述企业项目实施智能管理系统，还包括用于对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据采集单元，用于获取训练数据，所述训练数据包括企业项目实施现场训练监控视频，以及，所述是否存在施工风险点的真实值；

训练视频切分单元，用于对所述企业项目实施现场训练监控视频进行视频切分以得到多个训练企业项目实施现场监控视频片段；

训练稀疏化采样单元，用于分别对所述多个训练企业项目实施现场监控视频片段进行稀疏化采样以得到多个训练企业项目实施现场监控稀疏化视频片段；

训练视频片段语义特征提取单元，用于将所述多个训练企业项目实施现场监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的视频语义编码器以得到多个训练企业项目实施现场特征图；

训练特征全感知单元，用于将所述多个训练企业项目实施现场特征图分别通过所述特征全感知模块以得到多个训练企业项目实施现场全感知特征向量；

训练实施现场语义特征关联编码单元，用于将所述多个训练企业项目实施现场全感知特征向量通过所述基于转换器模块的视频语义上下文编码器以得到训练企业项目实施现场感知语义特征向量；

分类损失单元，用于将所述训练企业项目实施现场感知语义特征向量通过所述分类器以得到分类损失函数值；

模型训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练，其中，在训练过程的每一轮迭代中，对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化；

其中，在训练过程的每一轮迭代中，以如下优化公式对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练企业项目实施现场感知语义特征向量；

其中，所述优化公式为：

其中，是M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述训练企业项目实施现场感知语义特征向量， 和 分别表示特征向量V1和V2的全局均值，且Vb是偏置向量，⊙表示按位置点乘， 表示向量加法， 表示矩阵乘法，min(·)表示最小值，V′c是所述优化训练企业项目实施现场感知语义特征向量。

2.根据权利要求1所述的企业项目实施智能管理系统，其特征在于，所述企业项目实施现场特征分析模块，包括：实施现场视频切分单元，用于对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段；

稀疏化采样单元，用于分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段；

视频片段语义特征提取单元，用于通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图；

实施现场视频语义特征全感知单元，用于对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。

3.根据权利要求2所述的企业项目实施智能管理系统，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。

4.根据权利要求3所述的企业项目实施智能管理系统，其特征在于，所述实施现场视频语义特征全感知单元，包括：实施现场特征全感知子单元，用于将所述多个企业项目实施现场特征图分别通过特征全感知模块以得到多个企业项目实施现场全感知特征向量；

实施现场感知语义关联编码单元，用于将所述多个企业项目实施现场全感知特征向量通过基于转换器模块的视频语义上下文编码器以得到企业项目实施现场感知语义特征向量。

5.根据权利要求4所述的企业项目实施智能管理系统，其特征在于，所述施工风险点检测模块，用于：将所述企业项目实施现场感知语义特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在施工风险点。

6.一种企业项目实施智能管理方法，其特征在于，包括：

通过摄像头采集企业项目实施现场监控视频；

对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征；

基于所述企业项目实施现场感知语义特征，确定是否存在施工风险点；

其中，所述企业项目实施智能管理方法，还包括用于对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练；

其中，对基于三维卷积神经网络模型的视频语义编码器、特征全感知模块、基于转换器模块的视频语义上下文编码器和分类器进行训练，包括：获取训练数据，所述训练数据包括企业项目实施现场训练监控视频，以及，所述是否存在施工风险点的真实值；

对所述企业项目实施现场训练监控视频进行视频切分以得到多个训练企业项目实施现场监控视频片段；

分别对所述多个训练企业项目实施现场监控视频片段进行稀疏化采样以得到多个训练企业项目实施现场监控稀疏化视频片段；

将所述多个训练企业项目实施现场监控稀疏化视频片段分别通过所述基于三维卷积神经网络模型的视频语义编码器以得到多个训练企业项目实施现场特征图；

将所述多个训练企业项目实施现场特征图分别通过所述特征全感知模块以得到多个训练企业项目实施现场全感知特征向量；

将所述多个训练企业项目实施现场全感知特征向量通过所述基于转换器模块的视频语义上下文编码器以得到训练企业项目实施现场感知语义特征向量；

将所述训练企业项目实施现场感知语义特征向量通过所述分类器以得到分类损失函数值；

基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于三维卷积神经网络模型的视频语义编码器、所述特征全感知模块、所述基于转换器模块的视频语义上下文编码器和所述分类器进行训练，其中，在训练过程的每一轮迭代中，对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化；

其中，在训练过程的每一轮迭代中，以如下优化公式对所述训练企业项目实施现场感知语义特征向量进行权重空间的细粒度密度预测搜索优化以得到优化训练企业项目实施现场感知语义特征向量；

其中，所述优化公式为：

其中，是M1和M2分别是上次和本次迭代的权重矩阵，Vc是所述训练企业项目实施现场感知语义特征向量， 和 分别表示特征向量V1和V2的全局均值，且Vb是偏置向量，⊙表示按位置点乘， 表示向量加法， 表示矩阵乘法，min(·)表示最小值，V′c是所述优化训练企业项目实施现场感知语义特征向量。

7.根据权利要求6所述的企业项目实施智能管理方法，其特征在于，对所述企业项目实施现场监控视频进行特征分析以得到企业项目实施现场感知语义特征，包括：对所述企业项目实施现场监控视频进行视频切分以得到多个企业项目实施现场监控视频片段；

分别对所述多个企业项目实施现场监控视频片段进行稀疏化采样以得到多个企业项目实施现场监控稀疏化视频片段；

通过基于深度神经网络模型的视频语义编码器分别对所述多个企业项目实施现场监控稀疏化视频片段进行特征提取以得到多个企业项目实施现场特征图；

对所述多个企业项目实施现场特征图进行关联编码以得到企业项目实施现场感知语义特征向量作为所述企业项目实施现场感知语义特征。