钢铁工业是许多国家最重要的基础产业之一，而工厂的自动化流水生产线对提高钢筋的生产率起着至关重要的作用。目前国内钢筋生产厂商还是采用人工对钢筋进行分离和计数的方式，现场的工人只能采取简单的防护设备对钢筋进行捆包装和计数。这种方式的缺点是工作效率低且计数的误差较大，因此，利用数字图像处理技术实现钢筋端面中心点检测和计数，可大幅降低他们的劳动强度，提高生产效率。基于深度学习算法，针对不同的应用场景，本文提出了两种钢筋端面中心点检测和计数算法。
　　第一种方法，首先用CNN检测钢筋端面候选中心点。在此基础上，提出了一种距离聚类(DC)算法来聚类候选中心点定位钢筋的中心。该方法适用于固定场景的钢筋端面中心点检测及计数，如相机拍摄钢筋端面的距离和角度几乎不发生变化的场景。仿真结果表明，CNN-DC算法可以实现99.26%的钢筋计数精度和4.1%的中心偏移量。
　　第二种方法，基于卷积神经网络的密度估计对钢筋图片进行识别，并通过编码器和解码器得到钢筋的单一特征图，对预测的密度图进行积分实现钢筋端面中心点的检测和计数功能。该方法适用于复杂场景下的钢筋端面中心点检测及计数。仿真结果表明，基于卷积神经网络的密度估计算法可以实现94.03%的钢筋计数精度和5.61%的中心偏移量。
　　将本文的两种方法与传统方法对钢筋数据集的实验结果对比可以看出，本文中的两种方法在识别钢筋端面中心的偏移量，计数准确率等指标上均比传统方法的表现力更好。