تسبب تعدين الأراضي النادرة من نوع امتصاص الأيونات تلوث التربة بسبب التعدين بالمذيبات، مما يؤدي إلى ضعف نمو الغطاء النباتي المعاد تأهيله وانخفاض معدل البقاء، ويساعد مراقبة صور الطائرات بدون طيار في الرقابة العلمية. ومع ذلك، فإن البيئة المعقدة لمنطقة التعدين تسبب تباينًا كبيرًا في الخصائص الكلية للغطاء النباتي المعاد تأهيله، مما يصعب على التعرف التلقائي على صور الطائرات بدون طيار بدقة منخفضة. لتحسين التعرف السريع والدقيق والتحديد التلقائي للنباتات الفردية للغطاء النباتي المعاد تأهيله في صور الطائرات بدون طيار، تم اقتراح طريقة الكشف عن الغطاء النباتي المعاد تأهيله في منطقة التعدين المدمجة مع شبكة YOLOv8n ذات الخصائص العالمية (YOLOv8-AS). أُجريت التحسينات التالية على YOLOv8n: (1) استخدام وحدة خفض العينة ADown للعمليات الالتفافية للخصائص، لتقليل فقدان الخصائص الذي يحدث مع تعميق تدريب النموذج أثناء الالتفاف القياسي؛ (2) استخدام وحدة SPPF-GFP (تجميع الهرم الفراغي السريع-التجميع العالمي للخصائص) لاستخلاص الخصائص، مما يعزز قدرة النموذج على الكشف عن الغطاء النباتي المعاد تأهيله الذي يحتوي على تفاوتات كبيرة في الخصائص الكلية. أظهرت النتائج أنه على مجموعة بيانات الغطاء النباتي المعاد تأهيله التي تم إنشاؤها ذاتيًا، ارتفع mAP@0.5 و mAP@0.5—0.95 لـ YOLOv8-AS بمقدار 1.6٪ و 2.4٪ على التوالي مقارنة بـ YOLOv8n؛ كما انخفض حجم النموذج وعدد المعلمات وعمليات الحساب العائمة لـ YOLOv8-AS بنسبة 11٪ و 10٪ و 9٪ على التوالي مقارنة بـ YOLOv8n. بلغت قيم mAP@0.5 و mAP@0.5—0.95 لخوارزمية YOLOv8-AS 91.1٪ و 46.8٪، على التوالي، مع تحسينات في mAP@0.5 مقارنة بنماذج SSD، Faster R-CNN، RT-DETR، YOLOv5، YOLOv7، و YOLOv7-tiny بمقدار 14.07٪، 23.32٪، 1.2٪، 2.3٪، 3.3٪، 2.9٪ و 1.2٪، على التوالي. بالإضافة إلى ذلك، يمكن لـ YOLOv8-AS إجراء كشف سريع ودقيق للغطاء النباتي المعاد تأهيله في الأهداف الصغيرة والمشاهد البسيطة والمعقدة، مع تحسين جيد لقدرة التعرف والتحديد للنباتات الفردية للغطاء النباتي المعاد تأهيله. يمكن أن توفر هذه الطريقة دعمًا تقنيًا دقيقًا وفعالًا لاستعادة النظام البيئي في مناطق التعدين.

التعلم العميق;الكشف عن الأهداف;YOLOv8n;صور الطائرات بدون طيار;منطقة تعدين الأراضي النادرة;الغطاء النباتي المعاد تأهيله