预制混凝土箱梁钢筋布置十分复杂且密集，人工振捣混凝土效率低且质量难以保证，机械振捣又因缺乏钢筋位置准确感知易发生卡阻，急需智能识别技术支撑。提出一种基于YOLOv8s+CBAM的钢筋识别法，在骨干网络部分引入CBAM注意力模块，以增强关键信息提取能力并保持模型轻量化。通过自建1 500幅图像数据集进行训练与验证，采用灰度化、阈值分割等图像增强及严格标注机制提升数据质量。进而依托杭州湾跨海铁路大桥工程，构建了钢筋智能识别与间距检测方案。结果表明，识别模型在复杂环境下依然保持较高鲁棒性，精确率、召回率、平均精度、F

1

分数分别达94.4%、92.5%、96.3%、0.91

较原始YOLOv8s均有显著提升，且不增加参数量与计算量；将该模型应用于智能振捣机中，识别成功率、定位准确率、振捣插入成功率分别达到95.3%、96.1%、96.5%;计算钢筋间距，保证振捣棒能顺利穿过钢筋网插入混凝土中，智能振捣设备的整体工作效率提升23%。研究结果对桥梁及水利等大体积钢筋混凝土结构的智能化施工具有推广与参考价值。