智慧工地中的设备内存和计算能力有限，在现场的设备上通过目标检测对钢筋进行实时检测具有很大的难度，而且其钢筋检测速度慢、模型部署成本高。针对这些问题，在YOLOv3网络的基础上，提出了一个嵌入注意力机制的轻量级钢筋检测网络RebarNet。首先，利用残差块作为网络的基本单元来构建特征提取结构，并用其提取局部和上下文信息；其次，在残差块中添加通道注意力（CA）模块和空间注意力（SA）模块，以调整特征图的注意力权重，并提升网络提取特征的能力；然后，采用特征金字塔融合模块，以增大网络的感受野，并优化中等钢筋图像的提取效果；最后，输出经过8倍下采样后的52×52通道的特征图用于后处理和钢筋检测。实验结果表明，所提网络的参数量仅为Darknet53网络的5%，在钢筋测试集上以106.8 FPS的速度达到了92.7%的mAP。与现有的EfficientDet、SSD、CenterNet、RetinaNet、Faster RCNN、YOLOv3、YOLOv4和YOLOv5m等8个目标检测网络相比，RebarNet具有更短的训练时间（24.5 s）、最低的显存占用（1 956 MB）、最小的模型权重文件（13 MB）。与目前效果最好的YOLOv5m网络相比，RebarNet的mAP略低0.4个百分点，然而其检测速度上升了48 FPS，是YOLOv5m网络的1.8倍。以上结果表明，所提出的网络有助于完成智慧工地中要求实现的高效、准确的钢筋检测任务。
