在经济飞速发展的今天,各行各业的工程建设都离不开钢筋。在工地现场,对于钢筋的交易和使用,由于其每根的价格比较昂贵,所以对数量的要求极其严格。人工点数的计数方法速度比较慢,而且员工长时间处于疲劳状态下工作可能导致点数错误,造成不必要的损失和纠纷,所以智能、高效、正确的钢筋计数就成了建筑行业迫切的需求。目前,目标检测技术在各种应用场景中都表现出了不错的检测效果,但在钢筋场景的检测上效果并不理想。主要的外部原因是拍摄照片的角度、距离不同,导致钢筋间存在遮挡问题,或者由于拍摄时正对着光线导致照片发亮从而看不清钢筋;内部原因是钢筋本身直径、截面形状和颜色不同,使得钢筋的特征复杂,这些都会导致目标检测算法在实际钢筋检测中发生漏检和错检。针对钢筋检测存在漏检率和错检率高的问题,开展了基于目标检测算法的钢筋检测方法研究,本文的主要工作和成果如下:（1）数据集准备及预处理。针对钢筋数据集样本较少的情况,将一个竞赛数据集和工业现场实拍的数据集合并成一个数据集;并采用了数据增强方法,将数据集进一步扩大,提高各种复杂场景下钢筋的检测效果。（2）提出基于自适应空间特征融合的改进YOLOv4钢筋检测方法。针对数据集中样本钢筋密集堆积导致个别钢筋会被旁边的钢筋遮挡,且钢筋端面特征复杂,传统目标检测算法因存在钢筋部分特征缺失而导致漏检率和错检率高的问题,本文提出基于自适应空间特征融合的改进YOLOv4钢筋检测方法,以YOLOv4为钢筋检测任务的基础模型,从基础特征提取网络结构、Anchor尺寸、非极大值抑制法等方面对YOLOv4模型进行改进。实验表明,改进YOLOv4模型一定程度上解决了钢筋的遮挡问题,有效降低了遮挡造成的钢筋漏检率高的问题,提升了钢筋检测的整体准确度。（3）提出基于注意力机制的轻量化YOLOv4钢筋检测方法。针对在钢筋检测的实际场景中,钢筋在图像中所占像素较小,属于小目标范畴,相关特征的提取比较困难,并且在经过网络之后,个别特征会丢失导致最终检测精度较低的问题,提出基于注意力机制的轻量化YOLOv4钢筋检测方法,以YOLOv4为钢筋检测任务的基础模型,结合CBAM模块和SPP模块对原始YOLOv4模型进行改进,并且将深度可分离卷积引入到YOLOv4的PANet结构中。实验表明,改进的轻量化YOLOv4模型不仅提升了钢筋的检测精度,也提升了检测的速度。