Los yacimientos de tierras raras por adsorción iónica causan contaminación del suelo debido a la minería por lixiviación, lo que provoca un crecimiento deficiente y baja tasa de supervivencia de la vegetación restaurada. El monitoreo mediante imágenes de drones ayuda a la supervisión científica. Sin embargo, el entorno complejo de la mina provoca grandes diferencias en las características generales de la vegetación restaurada, dificultando el reconocimiento automático de imágenes de drones y resultando en una baja precisión. Para mejorar el reconocimiento y la localización automática rápida y precisa de plantas individuales de la vegetación restaurada en imágenes de drones, se propone un método de detección de vegetación restaurada en minas que fusiona características globales con la red YOLOv8n (YOLOv8-AS). Este método realiza las siguientes mejoras sobre YOLOv8n: (1) uso del módulo de submuestreo ADown para operaciones convolucionales de características, reduciendo la pérdida de características causada por el aumento de profundidad del entrenamiento del modelo durante la convolución estándar; (2) adopción del módulo SPPF-GFP (Spatial Pyramid Pooling Fast-Global Feature Pool) para extracción de características, mejorando la capacidad del modelo para detectar vegetación restaurada con grandes diferencias en características generales. Los resultados muestran que, en un conjunto de datos de vegetación restaurada creado por nosotros, YOLOv8-AS aumentó el mAP@0.5 y mAP@0.5—0.95 en 1.6% y 2.4% respectivamente en comparación con YOLOv8n; el tamaño del modelo, el número de parámetros y la cantidad de cálculos en punto flotante de YOLOv8-AS disminuyeron en 11%, 10% y 9% respectivamente en comparación con YOLOv8n. Los mAP@0.5 y mAP@0.5—0.95 del algoritmo YOLOv8-AS alcanzaron 91.1% y 46.8%, respectivamente, con mejoras en mAP@0.5 respecto a los modelos SSD, Faster R-CNN, RT-DETR, YOLOv5, YOLOv7 y YOLOv7-tiny de 14.07%, 23.32%, 1.2%, 2.3%, 3.3%, 2.9% y 1.2%, respectivamente. Además, YOLOv8-AS puede realizar una detección rápida y precisa de vegetación restaurada en objetivos pequeños, y escenas simples y complejas, mejorando notablemente la capacidad de reconocer y localizar plantas individuales de vegetación restaurada. Este método puede proporcionar soporte técnico preciso y eficaz para la restauración ecológica en zonas mineras.

aprendizaje profundo;detección de objetos;YOLOv8n;imágenes de drones;mina de tierras raras;vegetación restaurada