Os depósitos de terras raras do tipo adsorção iônica causam poluição do solo devido à mineração por lixiviação, resultando em crescimento pobre e baixa taxa de sobrevivência da vegetação recuperada. O monitoramento por imagens de drones auxilia na supervisão científica. Contudo, o ambiente complexo da mina provoca grandes diferenças nas características globais da vegetação recuperada, dificultando o reconhecimento automático das imagens de drones e resultando em baixa precisão de reconhecimento. Para melhorar o reconhecimento e a localização automática rápida e precisa de plantas individuais da vegetação recuperada nas imagens de drones, propõe-se um método de detecção de vegetação recuperada na mina que integra características globais da rede YOLOv8n (YOLOv8-AS). Este método apresenta as seguintes melhorias baseadas no YOLOv8n: (1) uso do módulo de downsampling ADown para operações convolucionais de características, reduzindo a perda de características causada pelo aumento da profundidade do treinamento do modelo durante a convolução padrão; (2) adoção do módulo SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pool) para extração de características, melhorando a capacidade do modelo de detectar vegetação recuperada com grandes diferenças nas características globais. Os resultados mostram que, em um conjunto de dados de vegetação recuperada construído por nós, o YOLOv8-AS aumentou o mAP@0.5 e o mAP@0.5—0.95 em 1,6% e 2,4%, respectivamente, em comparação com o YOLOv8n; o tamanho do modelo, o número de parâmetros e a quantidade de cálculo de ponto flutuante do YOLOv8-AS diminuíram em 11%, 10% e 9%, respectivamente, em relação ao YOLOv8n. Os valores mAP@0.5 e mAP@0.5—0.95 do algoritmo YOLOv8-AS atingiram 91,1% e 46,8%, respectivamente, com melhorias em mAP@0.5 em relação aos modelos SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 e YOLOv7-tiny em 14,07%, 23,32%, 1,2%, 2,3%, 3,3%, 2,9% e 1,2%, respectivamente. Além disso, o YOLOv8-AS pode detectar rápida e precisamente a vegetação recuperada em pequenos alvos e em cenas simples e complexas, melhorando significativamente a capacidade de reconhecimento e localização de plantas individuais da vegetação recuperada. Este método pode fornecer suporte técnico preciso e eficaz para a restauração ecológica em áreas de mineração.

aprendizado profundo;detecção de objetos;YOLOv8n;imagens de drones;mina de terras raras;vegetação recuperada