이온 흡착형 희토류 광산은 용출 채굴로 인해 토양 오염이 발생하여 복토된 식생의 생장 상태가 좋지 않고 생존율이 낮으며, 드론 영상을 통한 모니터링이 과학적 관리에 도움이 된다. 그러나 광산 지역의 복잡한 환경으로 인해 복토된 식생의 전체 특성 차이가 커 드론 영상의 자동 인식이 어려우며 인식 정확도가 낮다. 드론 영상 내 광산 복토 식생 단일 식물의 빠르고 정확한 자동 인식 및 위치 지정을 향상시키기 위해 전역 특성을 융합한 YOLOv8n 네트워크 기반의 광산 복토 식생 검출 방법(YOLOv8-AS)을 제안하였다. 본 방법은 YOLOv8n을 기반으로 다음과 같은 개선을 적용하였다: (1) 다운샘플링 모듈 ADown을 사용하여 특징 합성곱 연산 시 모델 학습 깊이가 증가함에 따라 발생하는 특징 손실을 감소시켰다; (2) SPPF-GFP(공간 피라미드 풀링 빠른 전역 특징 풀) 모듈을 채택하여 특징을 추출함으로써 전체 특성 차이가 큰 복토 식생에 대한 모델의 검출 능력을 향상시켰다. 결과는 자체 구축한 복토 식생 데이터셋에서 YOLOv8-AS가 YOLOv8n에 비해 mAP@0.5 및 mAP@0.5—0.95가 각각 1.6%와 2.4% 상승했으며, 모델 크기, 파라미터 수 및 부동 소수점 연산량이 각각 11%, 10%, 9% 감소했음을 보여준다. YOLOv8-AS 알고리즘의 mAP@0.5 및 mAP@0.5—0.95는 각각 91.1%, 46.8%에 달하며, SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7, YOLOv7-tiny 모델의 mAP@0.5보다 각각 14.07%, 23.32%, 1.2%, 2.3%, 3.3%, 2.9%, 1.2% 향상되었다. 또한 YOLOv8-AS는 소형 객체, 단순 및 복잡한 장면에서 복토 식생을 빠르고 정확하게 검출할 수 있으며, 복토 식생 단일 식물의 인식 및 위치 지정 능력을 크게 향상시켰다. 이 방법은 광산 생태 복원에 정확하고 효과적인 기술 지원을 제공할 수 있다.

딥러닝;객체 검출;YOLOv8n;드론 영상;희토류 광산;복토 식생