La minería de tierras raras mediante el método de adsorción iónica conlleva una contaminación radical del suelo, lo que provoca un debilitamiento significativo del crecimiento vegetal y una baja supervivencia. El uso de imágenes de drones para el control científico es beneficioso. Sin embargo, las condiciones complejas en la zona minera dificultan la identificación automática de la variada vegetación de las áreas recuperadas, lo que reduce la precisión de la identificación. Para mejorar la identificación automática rápida y precisa de las plantas individuales en las áreas recuperadas en la zona minera, se ha desarrollado un método de detección de la vegetación recuperada de la zona minera utilizando la red global YOLOv8n (YOLOv8-AS). Este método ha sido significativamente mejorado en base a YOLOv8n: (1) uso del módulo ADown para realizar operaciones de convolución de submuestreo, reduciendo las pérdidas de características al aumentar la profundidad de aprendizaje de la operación de convolución estándar; (2) uso del módulo SPPF-GFP (extracción rápida de características globales de la agrupación piramidal espacial) para la extracción de características, mejorando la capacidad del modelo para identificar la variada vegetación de las áreas recuperadas. Los resultados muestran que YOLOv8-AS en su propio conjunto de datos de vegetación recuperada en comparación con YOLOv8n aumentó el mAP@0.5 en un 1.6% y el mAP@0.5-0.95 en un 2.4%; el tamaño del modelo, el número de parámetros y el número de cálculos flotantes de YOLOv8-AS disminuyeron en un 11%, 10% y 9% respectivamente en comparación con YOLOv8n. El mAP@0.5 y el mAP@0.5-0.95 del algoritmo YOLOv8-AS son respectivamente del 91.1% y 46.8%, lo que es significativamente superior a los modelos SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 y YOLOv7-tiny en un 14.07%, 23.32%, 1.2%, 2.3%, 3.3%, 2.9% y 1.2% respectivamente. Además, YOLOv8-AS es capaz de detectar de manera rápida y precisa la vegetación recuperada en escenarios pequeños, simples y complejos, al tiempo que mejora significativamente su capacidad de detección y localización de las plantas individuales de la vegetación recuperada. Este método puede proporcionar un soporte técnico preciso y eficaz para la restauración ecológica en las zonas mineras.

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