Les mines de terres rares à adsorption ionique provoquent une pollution des sols due à l'extraction par lixiviation, entraînant une mauvaise croissance et un faible taux de survie de la végétation reconquise. La surveillance par imagerie de drones aide à la supervision scientifique. Cependant, la complexité de l'environnement minier entraîne de grandes différences dans les caractéristiques globales de la végétation reconquise, rendant la reconnaissance automatique des images de drones difficile, avec un faible taux de précision. Pour améliorer la reconnaissance et la localisation automatiques rapides et précises des plantes individuelles de la végétation reconquise dans les images de drones, une méthode de détection de la végétation reconquise des mines intégrant les caractéristiques globales du réseau YOLOv8n (YOLOv8-AS) est proposée. Cette méthode apporte les améliorations suivantes sur la base de YOLOv8n : (1) utilisation du module de sous-échantillonnage ADown pour les opérations de convolution des caractéristiques, réduisant la perte de caractéristiques due à l'approfondissement de la formation du modèle lors de la convolution standard ; (2) adoption du module SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pool) pour l'extraction des caractéristiques, améliorant la capacité du modèle à détecter une végétation reconquise ayant de grandes différences dans les caractéristiques globales. Les résultats montrent que sur un jeu de données auto-construit de végétation reconquise, le YOLOv8-AS améliore respectivement le mAP@0.5 et le mAP@0.5—0.95 de 1,6 % et 2,4 % par rapport à YOLOv8n ; la taille du modèle, le nombre de paramètres et le volume de calcul flottant de YOLOv8-AS sont réduits respectivement de 11 %, 10 % et 9 % par rapport à YOLOv8n. Les mAP@0.5 et mAP@0.5—0.95 de l'algorithme YOLOv8-AS atteignent respectivement 91,1 % et 46,8 %, avec des améliorations par rapport 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 %. De plus, YOLOv8-AS permet une détection rapide et précise de la végétation reconquise pour les petits objets, ainsi que dans des scénarios simples et complexes, tout en améliorant bien la capacité à reconnaître et localiser les plantes individuelles de la végétation reconquise. Cette méthode peut fournir un soutien technique précis et efficace pour la restauration écologique des zones minières.

apprentissage profond;détection d'objets;YOLOv8n;images de drones;mine de terres rares;végétation reconquise