一种映射模型建立方法

本发明涉及矿物检测，尤其涉及一种映射模型建立方法。

背景技术：

1、建筑废弃土壤资源化利用通常需要先获取土壤样品的矿物组成信息，再依据矿物含量判断其适用方向；现有流程多通过现场取样、实验室检测、人工比对和经验分级完成矿物含量分析，并将检测结果用于原料分类、堆场管理和再生利用决策，由此形成后续快速识别与精准建模需求。

2、现有建筑废弃土壤矿物含量检测主要依赖实验室定量分析，检测周期长且难以适应现场快速分级；单纯图像识别难以区分颜色相近但矿物组成不同的土壤颗粒；直接高光谱建模易受多次散射和颗粒异质性干扰；样品级矿物真值难以对应图像局部区域，导致矿物含量预测精度低、模型稳定性差。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种映射模型建立方法。

2、为了实现上述目的，本发明采用了如下技术方案：一种映射模型建立方法，其特征在于：包括：

3、获取多个建筑废弃土壤样品，对每个建筑废弃土壤样品同步采集高光谱反射率数据、近景图像数据和x射线衍射定量分析数据，x射线衍射定量分析数据包含目标矿物含量真值，高光谱反射率数据对应的采集几何参数包含入射天顶角、发射天顶角和相位角；

4、基于高光谱反射率数据以及采集几何参数，采用hapke模型对每个建筑废弃土壤样品进行物理参数反演，得到各波长对应的反演单次散射反照率，并基于反演单次散射反照率生成每个建筑废弃土壤样品对应的物理潜变量光谱；

5、基于物理潜变量光谱构建光谱指数库，将光谱指数库中的光谱指数与目标矿物含量真值进行特征关联筛选，得到目标矿物对应的敏感光谱指数和敏感波段，并以敏感光谱指数作为输入、目标矿物含量真值作为输出建立物理教师模型；

6、对近景图像数据进行颗粒边界分割和纹理突变分割，得到多个图像分割单元，并提取每个图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征；

7、根据物理教师模型输出的目标矿物含量预测值、物理潜变量光谱以及每个图像分割单元的面积占比，生成每个图像分割单元对应的矿物含量分配标签，并使同一建筑废弃土壤样品内全部图像分割单元的矿物含量分配标签经面积加权聚合后与目标矿物含量真值满足一致性约束；

8、以每个图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征作为输入，以矿物含量分配标签和物理潜变量光谱作为联合监督信息，训练图像学生模型；

9、将图像学生模型对同一建筑废弃土壤样品内全部图像分割单元输出的单元矿物含量预测值进行面积加权聚合，得到样品级矿物含量聚合预测值，并根据样品级矿物含量聚合预测值与目标矿物含量真值之间的误差更新物理教师模型和图像学生模型，获得由近景图像数据映射至建筑废弃土壤矿物含量的映射模型。

10、作为上述技术方案的进一步描述：

11、采用hapke模型对每个建筑废弃土壤样品进行物理参数反演，得到各波长对应的反演单次散射反照率，并基于反演单次散射反照率生成每个建筑废弃土壤样品对应的物理潜变量光谱，包括：

12、将高光谱反射率数据按照样品编号和波长顺序排列，形成样品反射率序列；

13、将入射天顶角、发射天顶角和相位角转换为hapke模型对应的入射天顶角余弦值、发射天顶角余弦值和相位角变量，并使入射天顶角余弦值、发射天顶角余弦值和相位角变量与样品反射率序列中的各波长反射率建立对应关系；

14、针对样品反射率序列中的每一波长位置，将单次散射反照率作为待反演变量，将相函数、反向散射函数和多次散射函数作为hapke模型计算项，建立hapke模型计算反射率与高光谱反射率之间的反射率残差；

15、按照反射率残差最小化规则，对各波长位置对应的单次散射反照率进行迭代求解，得到每一波长对应的反演单次散射反照率；

16、将每一波长对应的反演单次散射反照率按照波长顺序连接，形成单次散射反照率光谱曲线；

17、对单次散射反照率光谱曲线进行波段一致性整理，删除未参与反演的波长位置，并将完成波段一致性整理后的单次散射反照率光谱曲线作为建筑废弃土壤样品对应的物理潜变量光谱。

18、作为上述技术方案的进一步描述：

19、对各波长位置对应的单次散射反照率进行迭代求解，并对单次散射反照率光谱曲线进行波段一致性整理，包括：

20、将样品反射率序列中位于仪器噪声波段、饱和波段、缺失波段和反射率突变波段的反射率标记为无效反射率，并将无效反射率对应的波长位置标记为无效波长位置；

21、基于有效波长位置对应的高光谱反射率，设定单次散射反照率的初始取值范围和迭代搜索步长，并将初始取值范围与有效波长位置建立对应关系；

22、针对每一有效波长位置，按照反射率残差逐轮减小的方向调整单次散射反照率，并记录每轮迭代得到的候选单次散射反照率和对应反射率残差；

23、在相邻两轮反射率残差变化量小于预设残差变化阈值的条件、迭代轮次达到预设最大迭代轮次的条件中任一条件满足时，停止对应有效波长位置的迭代求解；

24、将停止迭代时反射率残差最小的候选单次散射反照率确定为对应有效波长位置的反演单次散射反照率；

25、将全部有效波长位置对应的反演单次散射反照率按照波长顺序连接，并保留无效波长位置的无效标记，生成具有样品编号、有效波长位置和无效波长位置对应关系的物理潜变量光谱。

26、作为上述技术方案的进一步描述：

27、基于物理潜变量光谱构建光谱指数库，将光谱指数库中的光谱指数与目标矿物含量真值进行特征关联筛选，得到目标矿物对应的敏感光谱指数和敏感波段，并以敏感光谱指数作为输入、目标矿物含量真值作为输出建立物理教师模型，包括：

28、将每个建筑废弃土壤样品对应的物理潜变量光谱按照样品编号和波长顺序进行排列，形成物理潜变量光谱矩阵；

29、基于物理潜变量光谱矩阵中任意两个波长位置对应的反演单次散射反照率，构建双波段比值指数、归一化差值指数和差值指数，并将构建得到的指数与对应波长位置建立索引关系；

30、基于物理潜变量光谱矩阵中任意三个波长位置对应的反演单次散射反照率，构建三波段组合指数，并将三波段组合指数与对应三个波长位置建立索引关系；

31、将双波段比值指数、归一化差值指数、差值指数和三波段组合指数按照样品编号进行归并，生成与目标矿物含量真值具有样品对应关系的光谱指数库；

32、将光谱指数库中的每一光谱指数分别与目标矿物含量真值进行关联度计算，按照关联度由高至低的顺序生成光谱指数关联排序结果；

33、根据光谱指数关联排序结果剔除关联度低于预设关联度阈值的光谱指数，并对保留的光谱指数进行共线性筛除，得到目标矿物对应的敏感光谱指数和敏感波段；

34、以敏感光谱指数作为输入变量，以目标矿物含量真值作为输出变量，对回归模型进行训练，并将训练完成的回归模型作为物理教师模型。

35、作为上述技术方案的进一步描述：

36、将光谱指数库中的每一光谱指数分别与目标矿物含量真值进行关联度计算，并根据光谱指数关联排序结果进行共线性筛除，包括：

37、按照目标矿物类型，将光谱指数库中与同一目标矿物含量真值具有样品对应关系的光谱指数划分为候选指数集合；

38、针对候选指数集合中的每一光谱指数，计算其与目标矿物含量真值之间的线性相关度、秩相关度和信息关联度，并根据线性相关度、秩相关度和信息关联度生成综合关联度；

39、按照综合关联度由高至低的顺序排列候选指数集合中的光谱指数，生成光谱指数关联排序结果；

40、从光谱指数关联排序结果中删除综合关联度低于预设关联度阈值的光谱指数，得到初筛光谱指数集合；

41、计算初筛光谱指数集合中任意两个光谱指数之间的指数相似度，当两个光谱指数之间的指数相似度高于预设相似度阈值时，保留与目标矿物含量真值综合关联度较高的光谱指数；

42、将完成共线性筛除后保留的光谱指数确定为敏感光谱指数，将敏感光谱指数对应的波长位置确定为敏感波段，并将敏感光谱指数、敏感波段、目标矿物含量预测值和与敏感波段对应的物理潜变量光谱片段作为物理教师模型的输出内容。

43、作为上述技术方案的进一步描述：

44、对近景图像数据进行颗粒边界分割和纹理突变分割，得到多个图像分割单元，并提取每个图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征，包括：

45、将近景图像数据按照样品编号进行归集，并对近景图像数据中的背景区域、阴影区域和非土壤区域进行掩膜处理，得到样品有效图像区域；

46、基于样品有效图像区域中的颜色梯度变化和亮度梯度变化提取颗粒边界候选线，并对颗粒边界候选线进行断点连接和闭合区域整理，得到颗粒边界分割结果；

47、基于样品有效图像区域中的灰度共生变化、局部纹理方向变化和纹理强度突变位置提取纹理突变分割线，并将纹理突变分割线与颗粒边界分割结果进行位置融合，得到图像分割单元；

48、计算每个图像分割单元在样品有效图像区域中的像素数量占比，将像素数量占比作为图像分割单元的面积占比；

49、针对每个图像分割单元，提取颜色均值、颜色方差和颜色分布直方图，形成颜色特征；

50、针对每个图像分割单元，提取纹理方向、纹理密度和纹理对比度，形成纹理特征；

51、针对每个图像分割单元，提取边界长度、区域面积、长宽比、圆度和邻接关系，形成颗粒形态特征，并根据图像分割单元在样品有效图像区域中的中心坐标形成空间位置特征。

52、作为上述技术方案的进一步描述：

53、根据物理教师模型输出的目标矿物含量预测值、物理潜变量光谱以及每个图像分割单元的面积占比，生成每个图像分割单元对应的矿物含量分配标签，并使同一建筑废弃土壤样品内全部图像分割单元的矿物含量分配标签经面积加权聚合后与目标矿物含量真值满足一致性约束，包括：

54、按照样品编号调用同一建筑废弃土壤样品对应的目标矿物含量真值、目标矿物含量预测值、物理潜变量光谱和全部图像分割单元的面积占比；

55、将物理潜变量光谱中与敏感波段对应的反演单次散射反照率响应值作为矿物响应基准，并将每个图像分割单元的颜色特征、纹理特征和颗粒形态特征转换为单元图像响应内容；

56、根据单元图像响应内容与矿物响应基准之间的匹配程度，生成每个图像分割单元对应的矿物响应权重，并按照同一样品内全部图像分割单元的矿物响应权重总和对矿物响应权重进行归一化处理；

57、根据归一化处理后的矿物响应权重、每个图像分割单元的面积占比以及物理教师模型输出的目标矿物含量预测值，生成每个图像分割单元对应的初始矿物含量分配标签；

58、将同一建筑废弃土壤样品内全部初始矿物含量分配标签按照面积占比进行加权聚合，得到样品级矿物含量标签聚合值；

59、根据样品级矿物含量标签聚合值与目标矿物含量真值之间的差值，对全部初始矿物含量分配标签进行比例校正，得到每个图像分割单元对应的矿物含量分配标签。

60、作为上述技术方案的进一步描述：

61、根据单元图像响应内容与矿物响应基准之间的匹配程度生成每个图像分割单元对应的矿物响应权重，并根据样品级矿物含量标签聚合值与目标矿物含量真值之间的差值对初始矿物含量分配标签进行校正，包括：

62、将每个图像分割单元的颜色特征、纹理特征和颗粒形态特征分别进行尺度统一处理，得到颜色响应子向量、纹理响应子向量和颗粒形态响应子向量；

63、将颜色响应子向量、纹理响应子向量和颗粒形态响应子向量按照预设排列顺序进行连接，生成每个图像分割单元对应的单元图像响应内容；

64、从物理潜变量光谱中提取与敏感波段对应的反演单次散射反照率响应值，并将反演单次散射反照率响应值与物理教师模型输出的目标矿物含量预测值进行对应整理，生成目标矿物对应的矿物响应基准；

65、计算每个图像分割单元的单元图像响应内容与矿物响应基准之间的响应差异值，并根据响应差异值由小至大的顺序确定每个图像分割单元相对于目标矿物的匹配程度；

66、根据匹配程度生成每个图像分割单元对应的矿物响应权重，并将同一建筑废弃土壤样品内全部图像分割单元的矿物响应权重相加，得到样品权重总量；

67、以样品权重总量作为归一化基准，对每个图像分割单元对应的矿物响应权重进行归一化处理，得到归一化矿物响应权重；

68、按照样品编号获取同一建筑废弃土壤样品内全部图像分割单元对应的初始矿物含量分配标签和面积占比；

69、将每个图像分割单元对应的初始矿物含量分配标签与面积占比相乘，得到每个图像分割单元对应的面积加权标签值；

70、将同一建筑废弃土壤样品内全部面积加权标签值进行求和，得到样品级矿物含量标签聚合值；

71、将样品级矿物含量标签聚合值与目标矿物含量真值进行差值计算，得到样品级标签校正差值；

72、根据每个图像分割单元对应的归一化矿物响应权重和面积占比，将样品级标签校正差值分配至同一建筑废弃土壤样品内各图像分割单元，得到各图像分割单元对应的标签校正量；

73、将每个图像分割单元对应的初始矿物含量分配标签与标签校正量进行合并，得到每个图像分割单元对应的矿物含量分配标签，并使同一建筑废弃土壤样品内全部矿物含量分配标签经面积加权聚合后与目标矿物含量真值满足一致性约束。

74、作为上述技术方案的进一步描述：

75、将图像学生模型对同一建筑废弃土壤样品内全部图像分割单元输出的矿物含量预测值进行面积加权聚合，得到样品级矿物含量聚合预测值，并根据样品级矿物含量聚合预测值与目标矿物含量真值之间的误差更新物理教师模型和图像学生模型，包括：

76、按照样品编号调用同一建筑废弃土壤样品对应的全部图像分割单元、每个图像分割单元的面积占比、每个图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征、目标矿物含量真值和物理潜变量光谱；

77、将每个图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征输入图像学生模型，获得每个图像分割单元对应的单元矿物含量预测值，并保持单元矿物含量预测值与图像分割单元之间的对应关系；

78、按照每个图像分割单元的面积占比，对同一建筑废弃土壤样品内全部单元矿物含量预测值进行加权汇总，得到样品级矿物含量聚合预测值；

79、计算样品级矿物含量聚合预测值与目标矿物含量真值之间的聚合预测误差，并将聚合预测误差分配至同一建筑废弃土壤样品内各图像分割单元，生成单元误差回写量；

80、基于单元误差回写量更新图像学生模型中与颜色特征、纹理特征、颗粒形态特征和空间位置特征对应的映射参数；

81、基于聚合预测误差更新物理教师模型中敏感光谱指数到目标矿物含量预测值之间的输出校正参数，并在聚合预测误差满足预设误差条件时，输出由近景图像数据映射至建筑废弃土壤矿物含量的映射模型。

82、作为上述技术方案的进一步描述：

83、计算样品级矿物含量聚合预测值与目标矿物含量真值之间的聚合预测误差，将聚合预测误差分配至同一建筑废弃土壤样品内各图像分割单元生成单元误差回写量，并基于单元误差回写量和聚合预测误差更新图像学生模型和物理教师模型，包括：

84、按照样品编号获取样品级矿物含量聚合预测值、目标矿物含量真值、各图像分割单元对应的单元矿物含量预测值、矿物含量分配标签、面积占比和归一化矿物响应权重；

85、将样品级矿物含量聚合预测值与目标矿物含量真值进行差值计算，得到样品级聚合误差；

86、将每个图像分割单元对应的单元矿物含量预测值与矿物含量分配标签进行差值计算，得到单元预测偏差；

87、根据每个图像分割单元对应的面积占比、归一化矿物响应权重和单元预测偏差，生成每个图像分割单元对应的误差分配系数；

88、按照误差分配系数将样品级聚合误差分配至同一建筑废弃土壤样品内各图像分割单元，得到各图像分割单元对应的初始误差回写量；

89、对初始误差回写量进行同一样品内总量一致性整理，生成每个图像分割单元对应的单元误差回写量；

90、将单元误差回写量与对应图像分割单元的颜色特征、纹理特征、颗粒形态特征和空间位置特征建立训练对应关系；

91、根据训练对应关系调整图像学生模型中图像特征到单元矿物含量预测值之间的映射参数，得到更新后的图像学生模型；

92、将聚合预测误差与物理教师模型中的敏感光谱指数、敏感波段和目标矿物含量真值建立校正对应关系；

93、根据校正对应关系调整物理教师模型中敏感光谱指数到目标矿物含量预测值之间的输出校正参数，得到更新后的物理教师模型；

94、重复执行图像学生模型输出、面积加权聚合、聚合预测误差计算、单元误差回写量生成、图像学生模型更新和物理教师模型更新，直至连续预设轮次内聚合预测误差均小于预设误差阈值；

95、将满足预设误差条件时的图像学生模型、物理教师模型、敏感波段、敏感光谱指数、矿物含量分配标签生成规则和面积加权聚合规则共同确定为由近景图像数据映射至建筑废弃土壤矿物含量的映射模型。

96、本发明具有如下有益效果：

97、1、本发明中，首先通过将高光谱反射率数据、采集几何参数和hapke模型反演相结合，生成以反演单次散射反照率为基础的物理潜变量光谱，并基于物理潜变量光谱构建光谱指数库、筛选敏感光谱指数和敏感波段，从而降低建筑废弃土壤颗粒粗糙度、多次散射、局部含水状态及异常波段对矿物含量预测的影响；同时，通过物理教师模型输出目标矿物含量预测值和物理潜变量光谱片段，使石英、方解石、黏土矿物及水泥水化产物相关矿物能够形成具有物理约束的差异化表达，提高矿物识别的灵敏度、准确性、稳定性和可解释性。

98、2、本发明中，通过颗粒边界分割和纹理突变分割生成图像分割单元，并基于颜色特征、纹理特征、颗粒形态特征、空间位置特征、面积占比和矿物响应权重生成矿物含量分配标签，使样品级目标矿物含量真值能够转化为图像分割单元级监督信息；同时，通过图像学生模型联合学习矿物含量分配标签和物理潜变量光谱，并利用面积加权聚合误差回写更新图像学生模型和物理教师模型，提高近景图像预测建筑废弃土壤矿物含量的定位能力、响应时效和持续校正能力，为进场筛查、原料分级、资源化用途匹配和堆场管理提供辅助决策支持。