目前,国内大多数的棒材生产厂商多采用光电技术或者是人工的方法对棒材进行统计。光电技术统计仅适用于棒材没有交叉重叠的情况,而人工统计则耗时长,效率低,劳动强度大,即繁琐又易错。同时,也有不少学者为此努力,力求减少人工劳动量、提升技术水平,以解放生产力,节约生产成本,提高效率。但是,在棒材计数领域,始终没有非常好的解决方案,来解决这个问题。要么就是单纯采用人工计数的方式,这种方法劳动强度高,出错几率大,有时需要反反复复计数好几遍才能正确数清,稍有疏忽就会出差错,在时间的成本和人工人力的成本上十分昂贵,费力又费时。要么是设计一套严格的计数方案,在特定的场景,特定的条件下,加上图像算法和人工审核的方式,实现准确计数的功能。为实现一种方便快捷棒材计数方案,本文介绍了一种基于目标检测的钢管自动识别系统。在确立算法之前,先去实际工地调研,了解实际工地棒材堆放情况,然后现场采集数据,对几个堆放的钢管堆录制视频作为数据。再对现场工地采集到的数据进行预处理:先分析几个采集到的视频数据,经过数据清洗、筛选后,清除掉不良数据。再将视频数据逐帧转为图片数据,并随机抽取数据进行了试处理,发现会用传统的图像处理方式,无法提取有效特征,将钢管边缘完好提取出来,那么接下来的计数也就无法在进行下去。接着尝试其他方式来进行识别。在尝试使用深度学习来实现本文的目的,先对一部分数据进行预处理,包括数据清洗、数据增强、数据标注等工作。并采用目标检测中YOLOv3的算法进行训练,以此得到好的模型。再抽取剩余数据中一部分来测试该模型,发现结果良好,决定采用YOLOv3来解决本文问题。本文使用NVIDIA1070TI的显卡来进行GPU浮点计算,使用YOLOv3训练模型,再将模型移植出来,加入Pyqt程序设计,加以改进做成一套系统。经过测试效果良好,使用简单。