随着人工智能与机器视觉技术发展,大大减少了传统人工检测的弊端,进一步推进生产现代化与高质量的需求,尤其在人工存在危险性的工况中更有优势。光缆是现代信息传递的基础,其中光缆是将若干根（1～2160根）成品光纤经过套塑、绞合、挤护套、装铠等工序工艺加工制造而成的实用型的线缆产品[1]。其绞合后节距质量检测一直是业内难题,人工检测方法效率低成本高。而机器视觉技术与人工相比,具有高效、精准、成本低等优势,尤其在生产中流水线检测中的重复性工作需求,机器视觉不仅准确,而且检测速度快,系统稳定。针对传统长度测量方法无法检测节距,本研究提出了一种基于机器视觉光缆节距在线动态检测方法,并提出将深度学习应用于光缆节距长度测量。本方法提出采用机器视觉技术在线动态采集光缆表面信息,该新型检测系统利用多普勒原理避免由于线速度不均而引起的采集异常,且设置合理照明方案与采集方案[2],并且本研究提出应用深度学习方法实现对节距长度检测目的,通过介绍了形态学自适应建模模板匹配方法,并以深度学习方法与其进行对比。深度学习方法通过对节距视觉信息进行分析后灵活运用YOLOv3算法,对YOLOv3多尺度运用进行优化,使得尺度更加有针对性;并针对视觉信息的对称特征进行自架构网络来得到最后的检测结果,进而提出深度学习测量应用理论。通过对比得出新方法比传统图像处理方法以及形态学自适应建模模板匹配方法优。通过理论分析和实验验证,该方法测出节距结果与标准节距结果误差在工业需求范围以内,满足工程需要,且运行稳定可靠,为检测光缆节距提供了一种新途径。