随着人工智能和图像处理技术的发展,针对特定物体的计数问题成为医疗、工业生产、农业、军事等领域的一个重要研究热点。但实际环境下由于图像采集环境多变、光照强度不足以及图像处理算法适用范围有限等问题,往往使图像在分割过程中出现边缘断裂或者粘连现象,直接影响了计数结果的准确性。因此,迫切需要找到一种高效的、精确的分割方法以提高计数的准确率。本文依托于建筑行业钢筋计数问题,结合具体生产环境找出当前钢筋计数方法存在的问题,分析了各种图像处理技术的特点,对基于图像处理的计数方法做了改进,提高分割效果从而提高计数的准确率,并做了大量对比实验与深度学习算法进行对比。本文首先针对基于图像识别的计数方法进行了改进,主要工作量体现在针对低光照环境下图像分割问题,引入Retinex图像增强算法处理棒材端面,并通过最大类间方差法自动选取阈值进行分割,最后通过连通区域面积法进行计数。其次,本文研究了基于深度学习的计数方法,引用了最新的YOLO v3算法,并通过K-means聚类算法选取合适的k值来决定目标检测时目标框的大小,最后对图片中的棒材进行计数,最后将基于图像处理和深度学习两种方法的准确率进行对比。本文通过对基于图像处理和基于深度学习两种计数方法的改进,发现基于深度学习的计数方法在计数准确率方面高达98.8%,且运算时间较快,取得了较好的计数效果。研究结果表明,本文改进的算法针对建筑行业中钢筋分拣和计数工作具有实用性,能够有效克服环境因素对识别效果的影响,提升识别的准确率,且对其他复杂环境下的图像识别和计数问题也有一定的借鉴意义。