1.一种基于人工智能的室内异常检测应急处理系统，其特征在于，包括：图像生成存储模块，用于接收人工采集得到的初始正常室内图像，引入室内图像生成模型，以基于所述初始正常室内图像生成新的正常室内图像，新的正常室内图像形成图像集合；

监控视频采集模块，利用监控摄像头实时采集室内监控视频；

异常检测处理模块，用于接收所述图像集合，以用于时空注意力网络模型训练优化；接收所述室内监控视频，优化后的所述时空注意力网络模型对所述室内监控视频进行归一化处理和时空特征提取，结合时空注意力，得到异常得分；

空气检测处理模块，利用空气检测传感器对室内空气中的烟雾和一氧化碳进行异常检测，对异常检测得到的烟雾浓度和一氧化碳浓度进行归一化处理，再通过动态权重分配进行非线性融合计算，得到风险评估指数；

综合信息处理模块，用于接收所述异常得分和所述风险评估指数，对所述异常得分和所述风险评估指数进行归一化处理和非线性融合计算，得到综合得分，根据所述综合得分制定应急处理策略；

用户通信模块，用于接收所述应急处理策略，发送信息给手机、穿戴设备绑定用户账号的相关设备，同时发送消息给用户设定的紧急联系人；

医疗救护模块，用于接收所述应急处理策略，发送信息到本地医疗机构；

消防应急模块，用于接收所述应急处理策略，发送信息到本地应急指挥中心。

2.一种基于人工智能的室内异常检测应急处理方法，其特征在于，包括以下步骤：S1.采集初始正常室内图像，引入室内图像生成模型，基于初始正常室内图像生成新的正常室内图像，新的正常室内图像作为图像集合，用于时空注意力网络模型训练优化；

S2.获取监控视频帧，优化后的时空注意力网络模型对获取的所述监控视频帧进行归一化处理和时空特征提取，结合注意力权重，得到异常得分；同时，空气检测传感器对检测到的环境中的烟雾浓度和一氧化碳浓度进行归一化处理，再按照动态权重分配进行非线性数据融合计算，得到风险评估指数；

S3.将所述异常得分和所述风险评估指数进行归一化和非线性计算方法处理，得到综合得分，根据所述综合得分制定应急处理策略。

3.如权利要求2所述的基于人工智能的室内异常检测应急处理方法，其特征在于，所述室内图像生成模型包括：生成器，用于将输入的噪声向量生成过程正常室内图像，所述噪声向量是通过线性同余方法生成的一系列随机的数值；

鉴别器，用于对所述过程正常室内图像和所述初始正常室内图像进行判别；

所述生成器和所述鉴别器通过不断对抗训练以生成所述新的正常室内图像。

4.如权利要求3所述的基于人工智能的室内异常检测应急处理方法，其特征在于，所述生成器内加入残差块，所述生成器中引入残差块后进行图像生成的公式表示为：Gres(z)＝ConvT(BN(ReLU(z+F(z))))其中，z是输入的噪声向量，是生成器的输入；Gres(z)表示经过残差块处理后的生成器输出；F(z)表示在残差块中卷积层的操作；z+F(z)表示输入向量z与卷积层操作的输出F(z)相加；ConvT代表转置卷积操作，用于上采样；BN代表批归一化，ReLU激活函数用于引入非线性。

5.如权利要求4所述的基于人工智能的室内异常检测应急处理方法，其特征在于，所述生成器中采用Wasserstein距离损失函数，引入残差块后的生成器的Wasserstein距离损失函数公式为：其中，LG是引入残差块后的生成器的Wasserstein距离损失函数； 是期望操作，z是从噪声分布pz(z)中采样的噪声向量。

6.如权利要求5所述的基于人工智能的室内异常检测应急处理方法，其特征在于，所述鉴别器内加入残差块，所述鉴别器中引入残差块后进行图像判别的公式表示为：Dres(x)＝Conv(LeakyReLU(x+H(x)))其中，x是输入图像，即鉴别器试图判断为真实或生成的新的正常室内图像，Dres(x)表示经过残差块处理后的鉴别器输出；H(x)表示在鉴别器中残差块的卷积层操作；x+H(x)表示跳跃连接的实现，将输入图像x与卷积层操作的输出H(x)相加，形成残差学习；Conv代表卷积操作，用于下采样或特征提取；LeakyReLU是激活函数。

7.如权利要求6所述的基于人工智能的室内异常检测应急处理方法，其特征在于，所述鉴别器中引入Wasserstein距离损失函数，并加入梯度惩罚，具体公式为：其中，LD是引入残差块和梯度惩罚后的鉴别器的Wasserstein距离损失函数；

是期望操作，x是从真实数据分布Pdata(x)中采样的图像； 是期望操作，其中 是真实图像x和生成图像Gres(z)之间的插值，用于计算梯度惩罚；λ是梯度惩罚的权重，用于调节梯度惩罚项的影响力度，λ值设置在0.1到10之间； 是引入残差块后的鉴别器对于插值图像 的梯度； 是梯度惩罚项。

8.如权利要求7所述的基于人工智能的室内异常检测应急处理方法，其特征在于，步骤S1还包括：采用使用FID评估生成所述新的正常室内图像的质量，并将FID评估过的高质量的新的正常室内图像作为训练集：在训练阶段，时空注意力网络模型通过最小化损失函数来优化，所述时空注意力网络模型的损失函数公式为：其中，L(θ)是损失函数；f(ui；θ)表示参数为θ的时空注意力网络模型对输入特征ui的预测输出； 是采用均方误差的损失计算方法；vi是训练集第i个图像的实际标签，ui是第i个图像的输入特征，N是训练集中的图像总数；αi表示第i个图像的自适应权重；λ表示正则化项的权重系数；R(θ)表示正则化项。

9.如权利要求2所述的基于人工智能的室内异常检测应急处理方法，其特征在于，步骤S2具体包括：所述优化后的时空注意力网络模型包括输入层、预处理层、空间特征提取层、时间特征提取层、时空注意力层、异常评分层；

所述输入层用于接收监控视频采集模块采集到的监控视频帧；

所述预处理层，用于对所述监控视频帧进行归一化处理，得到归一化后的视频帧；

所述空间特征提取层，用于通过卷积神经网络来提取归一化后的视频帧中的空间特征；

所述时间特征提取层，将提取的空间特征序列输入到长短期记忆网络中，用于捕获视频帧中的时间特征；

所述时空注意力层，用于依据空间特征和时间特征以及通过学习得到注意力权重自动识别出最具异常指示性的时空特征，以得到空间注意力权重和时间注意力权重；

所述异常评分层，基于所述空间注意力权重和时间注意力权重，计算视频帧的异常得分；

采集室内烟雾浓度和一氧化碳浓度，并对烟雾浓度和一氧化碳浓度进行归一化处理，得到归一化后处理后的烟雾浓度和一氧化碳浓度；

采用动态权重分配的方法合理调整烟雾和一氧化碳浓度的权重；

根据动态权重分配，对归一化处理后的烟雾浓度和一氧化碳浓度进行非线性数据融合，得到风险评估指数。

10.如权利要求2所述的基于人工智能的室内异常检测应急处理方法，其特征在于，步骤S3具体包括：将所述异常得分和风险评估指数分别进行归一化处理，以得到归一化后的异常得分和风险评估指数；

通过使用平方、对数转换和双曲正切函数，对归一化后的异常得分和风险评估指数进行非线性计算，获得综合得分；

依据综合得分制定应急处理策略，所述应急处理策略包括normal状态，warning状态以及dangerous状态；

normal状态，无需传递信息到用户通信模块，继续进行常规监控和空气检测；

warning状态，向用户通信模块传递“警告”信息，提示可能存在的风险，增加监控频率，实时分析数据趋势；准备救护车和消防队应急响应资源；

dangerous状态，立即向用户通信模块传递“危险”信息，向医疗救护模块和消防应急模块发送紧急呼叫和具体位置信息。