近年来,随着人工智能话题被广泛讨论,深度学习技术逐渐成为了当下互联网时代的研究热点。在计算机视觉领域,往往更偏向于使用深度学习技术来解决语义分割、图像分类以及人体姿态识别等问题,相较于传统算法,其优势在于可通过大量样本自主学习特征来达到目标要求。本文主要研究微小型接线柱上绕线匝数的视觉计数问题。现代工业中零件尺寸越来越小,质量要求越来越高。为了保证整个零件功能的完整性,必须在绕线完成之后进行绕线计数和交叉线圈辨别等质量检测,因此本文围绕以上问题进行了研究,主要内容如下:第一,提出了一种基于图像分类算法的线圈计数模型,并对其开发了一套智能计数系统。首先利用Faster RCNN网络对场景图的绕柱线圈进行定位,并分离提取出单个绕柱线圈,作为后续计数研究的样本集;然后采用卷积神经网络（CNN）模型对不同匝数的线圈样本训练,得到固定类别的分类器,最后通过分类识别得出线圈匝数,避免了人工计数出现的效率低和成本高的问题。第二,提出了一种基于全卷积回归神经网络（FCRN）的线圈计数模型。该模型使用不同空洞率的ASPP对全卷积神经网络进行改造,构建多任务网络分支,即语义分割任务分支和线性回归任务分支,分别得到语义分割预测图和线圈匝数值。本模型在私有数据集上交并比指标达到了 89%,对线圈计数的范围广泛,不受线圈样本的类型限制,有效提升了计数的适应面和准确性。第三,在交叉线圈零样本的条件下,提出一种使用全连接条件随机场（DenseCRF）对FCRN输出的语义分割预测图进行修正的算法（FCRN-DenseCRF）,得到较为精细的分割预测图。可对其进行水平投影,根据波谷的特征来辨别交叉线圈,提高标准线圈计数的有效率。本文提出的两种计数算法均在线圈样本集下进行了测试,能够很好地完成绕线匝数的计数问题。其中相较于CNN分类计数方法而言,FCRN-DenseCRF算法能够更佳的解决基于样本不足和线圈交叉的实际问题,对工厂中出现的绕线匝数复杂和线圈缠绕不标准等现象具备较强的鲁棒性,对标准线圈计数的准确率更高。