钢筋混凝土结构建筑是现阶段最主要的建筑形式,尤其是住宅、生产建设、基础设施等,在实际受力情况下,钢筋混凝土材质的各类梁、楼板这类主体受弯构件中,钢筋的受拉性能至关重要,而施工阶段检测的主要目标之一就是此类构件中钢筋的自身尺寸、用料问题及排布绑扎间距等是否符合设计要求,这些主要检测目标对建筑工程的质量验收及对社会建设和经济发展有着深远且重大的意义。传统的检测手段主要依赖于相关检测仪器以及肉眼视觉,检测人员不仅需要攀爬未完工的建筑物,同时还需要在受限条件下进行仪器操作,导致其检测范围有限,作业人员的人身安全也难以得到保障,并且需要考虑到测量器材的检测精度受环境影响等干扰因素,以上原因将会导致实际测量需要进行大批量的重复作业来保证测量精度,可见传统手段时间成本巨大,且需要耗费大量的人力物力。与此同时还需要考虑人为因素,测量现场甚至还存在某些企业和个人私自放低验收标准的情况,可见建筑监理行业向自动化和智能化方向的转型与结合十分必要,而在早年就有将计算机视觉技术结合到工程项目中的案例,例如安全帽检测、钢筋数量检测、表面裂缝检测等应用。但实际上计算机视觉在实际工程中的应用也面临许多难题,各类实际工程中遇到的背景杂乱、表面锈迹干扰、异物遮挡和光线照明问题会对构件尺寸检测的精度产生很大的影响,除上述问题,早年主要应用的传统图像检测算法（基于Open CV的传统图像检测）在建筑施工现场还存在其他干扰因素,尤其在关键受力节点、梁板柱等主体受力构件相交处、钢筋绑扎处,箍筋、受力钢筋、弯起钢筋等多类钢筋互相交错,遮盖干扰情况更为严重,也无法通过人为设定的简单特征来区分钢筋种类。传统的图像检测算法无法利用有效的特征信息,难以满足现阶段建筑智能监理行业中的精确检测的验收要求。钢筋的实例分割是非常具有挑战性的研究课题,如何在工程检测中实现无需依靠人力的高精度钢筋尺寸检测是一个研究应用难点,而近几年不断发展的深度学习领域为工程检测领域带来了新的发展方向,同时工程领域互联网大数据以及智慧城市等新兴项目的施行,可以解决深度学习庞大的数据集需求。因此本文采用结合空间注意力机制（Spatial Attention）与通道注意力机制（Channel Attention）模组的主干特征提取网络与深度卷积神经网络相结合,构建了基于改进Res Ne Xt主干网络的Mask R-CNN模型来完成图像中的受力钢筋目标识别,本文的主要工作总结如下:（1）介绍神经网络的发展历程和主干网络结构（Res Net、SE-net）以及其原理性介绍,而后对目前主流也极具代表性的多种图像分割网络模型R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN的核心原理和其基本检测方法进行阐述。重点针对本文所采用（Mask Region with Convolutional Neural Networks,Mask R-CNN）算法的核心优势进行阐述。最后通过对不同算法网络结构的性能进行多参数比对分析,对算法的网络构建原理进行更深入的性能对比分析。（2）在经典的Mask R-CNN算法上结合施工现场在数字图像中的特殊属性如钢筋纹理、施工模板遮罩等,对传统的目标检测模型做出了相应的调整,在特征提取阶段更换为了Res Ne Xt作为主干提取网络,在特征金字塔层结合了注意力机制模块以及新增了更多的侧向连接,进一步加强对特征图的融合,并在最后的掩膜生成阶段,结合Mask S R-CNN的Mask Io U分支,更新其打分机制,让语义分割的掩膜生成更加准确及贴合实际目标。（3）在原始Mask R-CNN网络经过一系列的改进之后,在后续过程中对COCO2017标准数据集及本文钢筋数据集进行了性能检测对比,结果证明本文所改进网络能够有效的检测出施工现场图像中的梁部受力钢筋,建立的检测模型有较好的检测速度和精度,实验结果表明,模型的召回率、交并比和像素准确率较其他模型分别都有较为显著的提升,而Mask R-CNN算法具有一定的鲁棒性和泛化性,检测所得的检测效果能够达到预期效果。（4）基于所识别出来的图像结果,在上述获得的目标掩膜图像上应用边缘识别算法进行轮廓提取,再基于所提取的轮廓进行多类直线检测算法的效果对比,因本文的训练集并不完全都是垂直拍摄,故应用图像透视原理,以此可以判断钢筋排布是否符合平直的规范,并利用仿射变换可以得到不同位置的尺寸参数,或者通过逆透视算法将原图像进行变换得到类似垂直拍摄的图像再进行判断。