Les mines de terres rares à adsorption ionique entraînent une pollution radicale des sols, ce qui entraîne un affaiblissement significatif de la croissance végétale et une faible survie. L'utilisation d'images de drones pour la surveillance scientifique est utile. Cependant, les conditions complexes dans la zone minière rendent difficile l'identification automatique de la végétation variée des zones restaurées, ce qui réduit la précision de l'identification. Pour améliorer l'identification automatique rapide et précise des plantes individuelles sur les zones restaurées dans la zone minière, une méthode de détection de la végétation restaurée de la zone minière utilisant le réseau global YOLOv8n a été développée (YOLOv8-AS). Cette méthode a été considérablement améliorée sur la base de YOLOv8n : (1) utilisation du module ADown pour effectuer des opérations de convolution sous-échantillonnées, réduisant les pertes de caractéristiques lors de l'approfondissement de la profondeur d'apprentissage de l'opération de convolution standard; (2) utilisation du module SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pooling) pour l'extraction des caractéristiques, améliorant la capacité du modèle à identifier la végétation variée des zones restaurées. Les résultats montrent que YOLOv8-AS sur son propre ensemble de données de végétation restaurée par rapport à YOLOv8n a augmenté le mAP@0.5 de 1.6 % et le mAP@0.5-0.95 de 2.4 % ; la taille du modèle, le nombre de paramètres et le nombre de calculs flottants de YOLOv8-AS ont diminué de 11 %, 10 % et 9 % respectivement par rapport à YOLOv8n. Les mAP@0.5 et mAP@0.5-0.95 de l'algorithme YOLOv8-AS sont respectivement de 91.1 % et 46.8 %, ce qui est nettement supérieur aux modèles SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 et YOLOv7-tiny de 14.07 %, 23.32 %, 1.2 %, 2.3 %, 3.3 %, 2.9 % et 1.2 % respectivement. De plus, YOLOv8-AS est capable de détecter rapidement et avec précision la végétation restaurée dans des scénarios petits, simples et complexes, tout en améliorant considérablement sa capacité de détection et de localisation des plantes individuelles de la végétation restaurée. Cette méthode peut fournir un soutien technique précis et efficace pour la restauration écologique dans les zones minières.

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