1.一种矿区语义分割模型构建方法，其特征在于，包括：获取原始矿区影像数据；

对所述原始矿区影像数据进行预处理，得到原始矿区多光谱数据和原始矿区数字高程模型数据；

对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到与所述原始矿区多光谱数据和所述原始矿区数字高程模型数据相匹配的原始矿区地物分类标记数据；

通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型。

2.根据权利要求1所述的矿区语义分割模型构建方法，其特征在于，所述原始HRNet模型的构建过程包括：获取HRNet基础模型；

通过对所述HRNet基础模型的主干分支上增设特征增强模块，得到所述原始HRNet模型；

其中，所述特征增强模块基于Swin Transformer模型形成。

3.根据权利要求2所述的矿区语义分割模型构建方法，其特征在于，所述通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型，包括：通过所述原始HRNet模型对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行深度特征提取，得到矿区临时地物分类数据；

对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；

根据所述损失函数输出调整所述原始HRNet模型的模型参数，直至损失函数输入满足预设条件，将经参数调整后的所述原始HRNet模型作为所述基于HRNet的矿区语义分割模型。

4.根据权利要求3所述的矿区语义分割模型构建方法，其特征在于，所述对所述矿区临时地物分类数据和所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出，包括：通过加权损失函数对所述矿区临时地物分类数据和与所述原始矿区地物分类标记数据进行损失计算，得到损失函数输出；

其中，所述加权损失函数通过交叉熵损失函数和距离损失函数获得。

5.根据权利要求4所述的矿区语义分割模型构建方法，其特征在于，所述加权损失函数通过交叉熵损失函数和距离损失函数获得，包括：根据所述交叉熵损失函数和所述距离损失函数，通过式一计算得到所述加权损失函数；

所述式一为：

其中，LCE为所述交叉熵损失函数，LDL为所述距离损失函数，L为所述加权损失函数，α为权重参数。

6.一种矿区语义分割模型构建装置，其特征在于，包括：获取单元，用于获取原始矿区影像数据；

处理单元，用于对所述原始矿区影像数据进行预处理，得到所述原始矿区多光谱数据和所述原始矿区数字高程模型数据；

标记单元，用于对所述原始矿区多光谱数据和所述原始矿区数字高程模型数据进行分类体系构建，得到与所述原始矿区多光谱数据和所述原始矿区数字高程模型相匹配的原始矿区地物分类标记数据；

构建单元，用于通过所述原始矿区多光谱数据、所述原始矿区数字高程模型数据和所述原始矿区地物分类标记数据对预设的原始HRNet模型进行训练和参数调优，得到基于HRNet的矿区语义分割模型。

7.一种矿区语义分割模型构建设备，其特征在于，包括存储器和处理器：所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1至5任一项所述的矿区语义分割模型构建方法。

8.一种矿区语义分割方法，其特征在于，包括：

获取目标矿区多光谱数据和目标矿区数字高程模型数据；

将所述目标矿区多光谱数据和所述目标矿区数字高程模型数据输入如权利要求1至5任一项所述的矿区语义分割模型构建方法得到的基于HRNet的矿区语义分割模型，获得临时分割结果；

对所述目标矿区多光谱数据和所述目标矿区数字高程模型数据进行面向对象多尺度分割，得到对象分割结果；

通过所述对象分割结果对所述临时分割结果进行边界过滤，得到目标矿区地物分类数据。

9.一种矿区语义分割装置，其特征在于，包括：

获取模块，用于获取目标矿区多光谱数据和目标矿区数字高程模型数据；

分割模块，用于对所述目标矿区多光谱数据和所述目标矿区数字高程模型数据进行面向对象多尺度分割，得到对象分割结果；

处理模块，用于将所述目标矿区多光谱数据和所述目标矿区数字高程模型数据输入如权利要求1至5任一项所述的矿区语义分割模型构建方法得到的基于HRNet的矿区语义分割模型，获得临时分割结果；

所述处理模块还用于通过所述对象分割结果对所述临时分割结果进行边界过滤，得到目标矿区地物分类数据。

10.一种矿区语义分割设备，其特征在于，包括存储器和处理器：所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求8所述的矿区语义分割方法。