1.基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，包括以下步骤：采集人-机器人交互环境的RGB-D图像及机器人关节位置；使用关节点检测算法从所述RGB-D图像中提取人体关节点序列，使用人体模型重建网络提取用户体态参数；构建基于卷积神经网络的安全检测网络，所述安全检测网络接收输入的人体关节点序列、用户体态参数及机器人关节位置，实时输出交互过程中人和机器人之间的距离和接触状态，检测是否发生碰撞或存在潜在碰撞危险；响应发生碰撞或存在潜在碰撞危险，发送对应警示信息或发送对应操作指令至机器人；其中，所述安全检测网络包括依序设置的特征提取模块、特征融合模块、输出优化模块及任务输出模块；所述特征融合模块输出人-机器人交互特征，包括最大池化子模块、平均池化子模块、卷积子模块及全连接层，处理流程具体为：所述最大池化子模块和平均池化子模块将用户体态参数特征作为输入数据，输出用户体态参数的最大特征及平均特征；将所述最大特征及平均特征拼接后经过卷积子模块获得体态权重系数；将机器人关节位置序列特征串联输入至若干全连接层，输出与人体关节点序列维度保持一致的机器人交互特征；将人体关节点序列特征乘上体态权重系数生成用户混合特征，再将用户混合特征减去机器人交互特征，生成人-机器人交互特征。
2.根据权利要求1所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述特征提取模块输出人体关节点序列特征、用户体态参数特征以及机器人关节位置序列特征；所述输出优化模块输出用户虚拟节点、机器人虚拟节点及位置补偿向量。
3.根据权利要求2所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述特征提取模块为卷积神经网络、图卷积神经网络、LSTM网络及Mamba模型中的一种，接收输入的人体关节点序列、用户体态参数及机器人关节点位置。
4.根据权利要求2所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述输出优化模块包括投票模块及全连接层，处理流程具体为：接收特征融合模块输出的人-机器人交互特征，将所述人-机器人交互特征分别输入到投票模块和两个全连接层中，一全连接层输出用户虚拟节点，另一全连接层输出机器人虚拟节点，投票模块输出位置补偿向量。
5.根据权利要求1所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述任务输出模块对人-机器人交互特征进行投票操作，将用户虚拟节点、机器人虚拟节点沿着特征补偿向量的方向投票出优化后的用户虚拟节点、机器人虚拟节点；将优化后的用户虚拟节点、机器人虚拟节点输入至距离计算模块中，输出预测的交互最小距离。
6.根据权利要求5所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述交互最小距离的计算方法为：根据用户虚拟节点、机器人虚拟节点表示的人类与机器人在三维坐标中的相对位置特征，利用空间中两点间的距离公式计算回归任务要估计最小距离的值。
7.根据权利要求1所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述安全检测网络的数据集制作为：数据集制作包括四个步骤：获取人体关节点坐标和用户体态参数、机器人胶囊体建模、坐标系统一、最小距离和接触状态标签计算；其中，机器人胶囊体建模通过设置六轴机器人各个关节交互过程中的角度序列，模拟机器人在交互过程的不同的姿态，将机器人urdf文件模型根据角度序列生成动作序列模型，完成机器人交互模型的重建工作，获得机器人的输入数据。
8.根据权利要求7所述的基于卷积神经网络的人-机器人交互安全检测方法，其特征在于，所述最小距离和接触状态标签计算方法具体为：遍历用户SMPL模型中每一个顶点和重建的机器人交互模型中各个部分，计算最小距离，所述最小距离利用VTK库，找到用户SMPL模型顶点中距离机器人模型最近的点，并计算出最小距离以及用户SMPL模型上的距离机器人最近的点；根据计算结果设置数据集的标签；最后，获得数据集的标签，其中包含交互最小距离、交互接触状态和交互接触位置。
9.基于卷积神经网络的人-机器人交互安全检测系统，其特征在于，所述系统用于执行如权利要求1-8任一项所述的检测方法，包括：成像模块，所述成像模块用于采集人-机器人交互环境的RGB-D图像并发送至人体关节点检测模块及人体模型重建网络；人体关节点检测模块根据接收的RGB-D图像检测人体关节点序列并输出至安全检测网络；人体模型重建网络根据接收的RGB-D图像检测用户体态参数并输出至安全检测网络；机器人，所述机器人部署有机器人操作系统，所述机器人操作系统实时获取机器人关节位置序列并发送至安全检测网络；输出模块，根据安全检测网络输出的交互过程中人和机器人之间最小距离和接触状态，生成操作指令至机器人和/或生成警示信息对用户展示；安全检测网络，所述安全检测网络进一步包括特征提取模块、特征融合模块、输出优化模块及任务输出模块；所述特征提取模块为卷积神经网络、图卷积神经网络、LSTM网络及Mamba模型中的一种，接收输入的人体关节点序列及用户体态参数，输出人体关节点序列特征、用户体态参数特征以及机器人关节位置序列特征至特征融合模块；所述特征融合模块包括最大池化子模块、平均池化子模块、卷积子模块及全连接层，根据输入的特征处理后输出人-机器人交互特征至输出优化模块；所述输出优化模块将所述人-机器人交互特征分别输入到投票模块和两个全连接层中，输出用户虚拟节点、机器人虚拟节点及位置补偿向量；所述任务输出模块对人-机器人交互特征进行投票操作，将用户虚拟节点、机器人虚拟节点沿着特征补偿向量的方向投票出优化后的用户虚拟节点、机器人虚拟节点；将优化后的用户虚拟节点、机器人虚拟节点输入至距离计算模块中，输出预测的交互最小距离。
