“离子吸附型稀土矿因溶浸开采造成土壤污染，复垦植被长势差、成活率低，利用无人机影像监测有助于科学监管。然而矿区复杂环境下导致复垦植被整体特征差异较大使得无人机影像自动识别困难，识别准确率低。为了提高对无人机影像中矿区复垦植被单棵植株快速、精确的自动识别和定位，提出了融合全局特征YOLOv8n网络的矿区复垦植被检测方法（YOLOv8-AS）。该方法在YOLOv8n的基础上做了以下改进：（1）使用降采样模块ADown进行特征卷积操作，降低标准卷积随模型训练深度加深过程中导致的特征损失；（2）采用SPPF-GFP（Spatial Pyramid Pooling Fast-Global Feature Pool）模块进行特征提取，提高模型对整体特征差异较大的复垦植被的检测能力。结果表明：在自建复垦植被数据集上，YOLOv8-AS相较于YOLOv8n的mAP@0.5和mAP@0.5—0.95分别提升1.6%和2.4%；YOLOv8-AS的模型大小、参数量和浮点计算量较YOLOv8n分别下降了11%、10%和9%。YOLOv8-AS算法的mAP@0.5和mAP@0.5—0.95分别达到了91.1%、46.8%，相较于SSD、Faster R-CNN、RT-DETR、YOLOv5、YOLOv7和YOLOv7-tiny模型mAP@0.5分别提高了14.07%、23.32%、1.2%、2.3%、3.3%、2.9%和1.2%。此外，YOLOv8-AS能够针对小目标、简单和复杂场景进行快速、精准地检测复垦植被，同时较好地提升了对复垦植被单棵植株的识别和定位能力。该方法可为矿区生态恢复提供准确有效的技术支持。”