1.一种基于深度学习的棒材检测方法，其特征在于，包括：
将实时采集的感兴趣区域的图像输入至预先训练的基于深度学习神经网络的目标检测模型，得到置信度大于设置的置信度阈值的金属棒材的位置信息；
基于所述金属棒材的位置信息，确定所述金属棒材的数量。
2.根据权利要求1所述的基于深度学习的棒材检测方法，其特征在于，所述感兴趣区域为金属棒材的端面区域。
3.根据权利要求1所述的基于深度学习的棒材检测方法，其特征在于，所述棒材的位置信息为：
[[x1min，y1min，x1max，y1max]，
[x2min，y2min，x2max，y2max]，
[x3min，y3min，x3max，y3max]，
…
[xnmin，ynmin，xnmax，ynmax]]
其中，xnmin、ynmin分别为第n个金属棒材识别框在图像中的左上角的横坐标、纵坐标；xnmax、ynmax分别为第n个金属棒材识别框在图像中右下角的横坐标、纵坐标。
4.根据权利要求3所述的基于深度学习的棒材检测方法，其特征在于，所述基于所述金属棒材的位置信息，确定所述金属棒材的数量，包括：
基于所述金属棒材的位置信息，得到位置信息的个数n；
根据所述位置信息的个数n得到金属棒材的数量。
5.根据权利要求1所述的基于深度学习的棒材检测方法，其特征在于，采用ssd-mobilenet，yolov、fast-rcnn训练得到目标检测模型。
6.根据权利要求1所述的基于深度学习的棒材检测方法，其特征在于，所述基于深度学习神经网络的目标检测模型的获取方法，包括：
获取金属棒材图片并对所述金属棒材进行数据标注，框出图中金属棒材的横截面并记录下识别框的位置信息，并构建训练集；
将所述训练集输入至基于深度学习的目标检测神经网络，使用目标检测神经网络对图像中的金属棒材特征进行提取学习，得到目标检测模型。
7.根据权利要求6所述的基于深度学习的棒材检测方法，其特征在于，对训练集进行图像增强。
8.根据权利要求3所述的基于深度学习的棒材检测方法，其特征在于，
根据所述金属棒材识别框，得到金属棒材的等效直径；
基于所述等效直径得到金属棒材的真实直径。
9.一种基于深度学习的棒材检测装置，其特征在于，包括：
目标检测模块，用于将实时采集的感兴趣区域的图像输入至预先训练的基于深度学习神经网络的目标检测模型，得到置信度大于设置的置信度阈值的金属棒材的位置信息；
数量确定模块，用于基于所述金属棒材的位置信息，确定所述金属棒材的数量。
10.根据权利要求9所述的基于深度学习的棒材检测装置，其特征在于，所述棒材的位置信息为：
[[x1min，y1min，x1max，y1max]，
[x2min，y2min，x2max，y2max]，
[x3min，y3min，x3max，y3max]，
…
[xnmin，ynmin，xnmax，ynmax]]
其中，xnmin、ynmin分别为第n个金属棒材识别框在图像中的左上角的横坐标、纵坐标；xnmax、ynmax分别为第n个金属棒材识别框在图像中右下角的横坐标、纵坐标。
11.根据权利要求10所述的基于深度学习的棒材检测装置，其特征在于，所述基于所述金属棒材的位置信息，确定所述金属棒材的数量，包括：
基于所述金属棒材的位置信息，得到位置信息的个数n；
根据所述位置信息的个数n得到金属棒材的数量。
12.一种设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1～9中的任一项方法。