التعدين الذي يعتمد على الامتصاص الأيوني للمعادن النادرة يؤدي إلى تلوث التربة بشكل جذري، مما يؤدي إلى ضعف نمو النباتات وانخفاض نسبة البقاء على قيد الحياة بشكل كبير. يساعد استخدام صور الطائرات بدون طيار في المراقبة العلمية. ومع ذلك، تجعل الظروف المعقدة في منطقة التعدين من الصعب التعرف على نباتات البستان الناتجة عن التنقية، مما يقلل من دقة التعرف. ولتحسين التعرف الآلي السريع والدقيق على نباتات البستان الناتجة عن التنقية في صور الطائرات بدون طيار، تم تقديم طريقة كشف عن نباتات البستان الناتجة عن التنقية في منطقة التعدين باستخدام شبكة YOLOv8n التكاملي للميزات العامة (YOLOv8-AS). تحسنت الطريقة على أساس YOLOv8n بشكل ملحوظ. (1) باستخدام وحدة القص الاستفادة ADown لإجراء عمليات التحصيل، والتي تقلل من فقدان الميزات الناتجة عن التدريب العميق في عملية تدريب النموذج؛ (2) باستخدام وحدة SPPF-GFP (التحصيل الهرمي المكاني لسرعة غريب الأطوار - تحصيل الميزات العامة السريع) لاستخراج الميزات وضمان قدرة النموذج على كشف نباتات البستان الناتجة عن التنقية والتي تختلف بشكل كبير في الميزات. أظهرت النتائج أن YOLOv8-AS زادت من نسبة دقة الكشف (mAP@0.5) بمقدار 1.6% ونسبة دقة الكشف (mAP@0.5-0.95) بمقدار 2.4% على مجموعة بيانات البستان الناتجة عن التنقية الخاصة. ويقلل حجم النموذج الخاص بـ YOLOv8-AS بنسبة 11٪ وكمية المعارض وكمية الحسابات العائمة بنسبة 10٪ و 9٪ على التوالي مقارنة بـ YOLOv8n. تبلغ (mAP@0.5) و (mAP@0.5-0.95) الخاصة بالخوارزمية YOLOv8-AS على التوالي 91.1٪ و 46.8٪، وقد زادت النسبة بشكل ملحوظ مقارنة بنماذج SSD وFaster R-CNN وRT-DETR وYOLOv5 وYOLOv7 وYOLOv7-tiny بنسبة 14.07٪ و 23.32٪ و 1.2٪ و 2.3% و 3.3٪ و 2.9% و 1.2%. بالإضافة إلى ذلك، يمكن للخوارزمية YOLOv8-AS الكشف سريعًا ودقيقًا عن نباتات البستان الناتجة عن التنقية في المواقف الصغيرة والبسيطة والمعقدة، مما يعزز بشكل جيد قدرتها على تحسين قدرتها على التعرف والتحديد لنباتات البستان الناتجة عن التنقية. يمكن أن توفر هذه الطريقة دعمًا تقنيًا دقيقًا وفعالًا لاستعادة البيئة في مناطق التعدين.

deep learning;object detection;YOLOv8n;UAV Imagery;Rare Earth Mining Area;Reclaimed Vegetation