本文针对捆装棒材的计数问题,对现有的一些计数方法进行分析,运用机器学习相关方法实现棒材计数,对不同的计数方法得出的结果进行对比分析,主要工作包括以下三个方面:针对图像中棒材端面灰度存在差异的问题,本文提出一种多阈值的模板匹配方法,将一幅灰度图进行阈值分割成多幅二值图,与标准的二值图模板进行匹配,根据匹配结果进行棒材计数,实验结果表明,本文提出的多阈值模板匹配方法较单阈值和自适应阈值模板匹配方法更适用于棒材端面灰度存在差异的情况。针对传统计数方法存在一定局限性的问题,本文提出一种基于SVM的方法来解决棒材计数问题,该方法提取检测窗口的HOG特征并构造特征向量;采用具有高斯核的SVM作为分类器模型;手工标注棒材端面中心得到标准标记图,根据标准标记图构造训练样本集,并利用模板匹配的结果从中选择训练样本加入样本集中,对SVM分类器进行训练;应用获得的分类器判别每个检测窗口内是否包含圆棒材端面;通过在结果图上进行连通区搜索统计棒材中心点区域的个数实现棒材计数。实验结果表明,与模板匹配方法的计数结果相比,采用高斯核的SVM分类器计数精度有所提高。充分且全面的样本数据对于分类器的性能存在较大影响,针对参与训练的样本不典型的问题,本文提出采用迭代训练的方法对SVM分类器进行多次训练,将分类错误的样本用于构造下一次的训练样本集,在训练图像库和测试图像库上进行计数,实验结果表明,本文提出的迭代训练分类器的方法在训练图像库和测试图像库上的正确率较高,该方法的正确率较常规方法有很大的提升,并且具有较好的鲁棒性。综上所述,本文对捆装棒材计数方法进行了有益的研究,所提出的方法对提升计数的准确性有一定的参考价值。