Ionenaustauschartige Seltene-Erden-Erzminen verursachen durch Auslaugung Bergbaubedingte Bodenverschmutzung, was zu schlechtem Wachstum und niedriger Überlebensrate der rekultivierten Vegetation führt. Die Überwachung mittels Drohnenbildern unterstützt die wissenschaftliche Aufsicht. Aufgrund der komplexen Bergbaubedingungen variiert das Gesamtmerkmalbild der rekultivierten Vegetation stark, was die automatische Erkennung von Drohnenbildern erschwert und die Erkennungsgenauigkeit senkt. Um die schnelle, präzise automatische Erkennung und Lokalisierung einzelner Pflanzen rekultivierter Vegetation auf Drohnenbildern zu verbessern, wurde eine Methode zur Erkennung rekultivierter Vegetation mit Integration globaler Merkmale im YOLOv8n-Netzwerk (YOLOv8-AS) vorgeschlagen. Die Methode verbessert YOLOv8n wie folgt: (1) Einsatz des Downsampling-Moduls ADown für Faltungsvorgänge, um den durch die zunehmende Tiefe während des Modelltrainings entstehenden Merkmalsverlust bei Standardfaltung zu reduzieren; (2) Verwendung des Moduls SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pool) zur Merkmalsextraktion, wodurch die Fähigkeit des Modells zur Erkennung rekultivierter Vegetation mit stark variierenden Gesamtmerkmalen verbessert wird. Die Ergebnisse zeigen, dass auf einem selbst erstellten Datensatz rekultivierter Vegetation YOLOv8-AS im Vergleich zu YOLOv8n den mAP@0.5 und mAP@0.5—0.95 um 1,6 % bzw. 2,4 % erhöht; gleichzeitig verringerten sich Modellgröße, Parameteranzahl und FLOPs von YOLOv8-AS gegenüber YOLOv8n um 11 %, 10 % bzw. 9 %. Die mAP@0.5 und mAP@0.5—0.95 der YOLOv8-AS-Algorithmus erreichten 91,1 % bzw. 46,8 %, was gegenüber den Modellen SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 und YOLOv7-tiny Verbesserungen von 14,07 %, 23,32 %, 1,2 %, 2,3 %, 3,3 %, 2,9 % und 1,2 % bedeutet. Zudem kann YOLOv8-AS eine schnelle und präzise Erkennung rekultivierter Vegetation bei kleinen Zielen sowie einfachen und komplexen Szenen durchführen und verbessert die Erkennungs- und Lokalisierungsfähigkeit einzelner Pflanzen der rekultivierten Vegetation deutlich. Diese Methode kann eine präzise und effektive technische Unterstützung für die ökologische Wiederherstellung im Bergbaugebiet bieten.

Deep Learning;Objekterkennung;YOLOv8n;Drohnenbilder;Seltene-Erden-Bergbaugebiet;rekultivierte Vegetation