Ionenaustausch-seltenerdiger Erzabbau verursacht Bodenverschmutzung und führt zu schlechtem Pflanzenwachstum und niedriger Überlebensrate bei der Rekultivierung. Die Überwachung mit Drohnenbildern kann jedoch bei der wissenschaftlichen Überwachung helfen. Die komplexe Umgebung im Bergbaugebiet führt jedoch zu erheblichen Unterschieden in den Gesamtmerkmalen der rekultivierten Vegetation, was die automatische Identifizierung von Drohnenbildern erschwert und die Identifikationsgenauigkeit verringert. Um die schnelle und genaue automatische Identifizierung und Lokalisierung einzelner Pflanzen in rekultivierter Vegetation in Bergbau-Drohnenbildern zu verbessern, wurde die Methode zur Detektion rekultivierter Vegetation in Bergbaugebieten (YOLOv8-AS) vorgeschlagen, die globale Merkmale des YOLOv8n-Netzwerks kombiniert. Diese Methode hat folgende Verbesserungen gegenüber YOLOv8n vorgenommen: (1) Verwendung des Downsampling-Moduls ADown für die Merkmalskonvolution, um den Verlust von Merkmalen während des Trainingsprozesses des Modells zu reduzieren; (2) Verwendung des SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pool)-Moduls zur Merkmalsextraktion, um die Erkennungsfähigkeit des Modells für die rekultivierte Vegetation mit erheblichen Gesamtmerkmalen zu verbessern. Die Ergebnisse zeigen, dass YOLOv8-AS gegenüber YOLOv8n auf dem selbst erstellten rekultivierten Vegetationsdatensatz eine Steigerung von 1,6% bei mAP@0.5 und eine Steigerung von 2,4% bei mAP@0.5-0.95 aufweist. Die Modellgröße, die Parametermenge und die Gleitkommaberechnungsmenge von YOLOv8-AS sind um jeweils 11%, 10% und 9% gegenüber YOLOv8n gesunken. Die mAP@0.5 und mAP@0.5-0.95 des YOLOv8-AS-Algorithmus erreichen 91,1% bzw. 46,8%, was eine Steigerung von 14,07%, 23,32%, 1,2%, 2,3%, 3,3%, 2,9% bzw. 1,2% gegenüber den Modellen SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 und YOLOv7-tiny bedeutet. Darüber hinaus kann YOLOv8-AS rekultivierte Vegetation schnell und präzise in Bezug auf kleine Ziele, einfache und komplexe Szenarien erkennen und gleichzeitig die Erkennungs- und Positionierungsfähigkeit einzelner Pflanzen in der rekultivierten Vegetation verbessern. Diese Methode kann eine präzise und effektive technische Unterstützung für die ökologische Wiederherstellung in Bergbauregionen bieten.

Deep Learning; Object Detection; YOLOv8n; Drohnenbilder; seltenerdige Bergbaugebiete; rekultivierte Vegetation