在当前科学技术发展的背景下,工地技术已经处于落后化的生产状态,需要新的技术来支撑我国高速发展的基建行业。在过去一段时间内,工地上的钢筋都由人工扎捆,通过在钢筋截面上画点的方式来人工计数,由于人员问题,导致效率低下并且经常数错,从而造成生产资料的浪费与不准确,因此钢筋计数的智能化需求日益凸显。目前我国人工智能发展技术突飞猛进,尤其在计算机视觉领域,很多问题的精度已经超越人眼,因此计算机视觉中图像信息检测与识别可以为工地迈向智能化提供牢固的基础。相较于传统的人工检测,目前完全可以将计算机视觉技术推向智慧工地领域,取代繁琐的人工作业。本课题以工地中的钢筋计数场景为切入点,首先介绍了深度学习的相关概念,然后针对照片上钢筋的位置和内容分别进行数字图像处理方法与深度学习目标检测方法的对比分析,证明采用基于深度学习的目标检测算法实现钢筋计数更有优势。然后在该场景的深度学习领域进行了多项相关实验,并验证通过不同的骨干网络、图形网络权重、数据增广等优化方法,验证在钢筋数据集上的精度训练时长以及推理速度与精度。同时针对一些被阴影遮挡的钢筋很难检测的情况,推断出此类钢筋从图像中反映出的信息量少,识别此类钢筋难度较高。从而做出假设将阴影遮挡钢筋作为单类别目标进行识别,所以本文提出了将钢筋计数由单类别分类转化为多类别分类,并引入注意力损失作为损失函数的优化方式。综上所述,本文对目标检测中的钢筋计数面临的问题进行了理论与实践的具体性研究,通过传统计算机视觉方法与深度学习方法进行比较,搭建了深度学习框架,改善模型并取得了一定成果。本文的相应成果可以直接应用到智慧工地等传统与科技结合行业,提升了行业效率。