猕猴桃因其营养价值高,市场需求量大的特点,在陕西省广泛种植。果园测产有助于高效利用果园资源并提高单位种植面积的收益。目前的测产工作主要依赖人工抽样,但是人工测产精度不稳定、工作量大、效率低下。为解决当前猕猴桃测产自动化程度低,测产任务重的问题,本文基于深度学习和移动互联网时代基本普及的Android智能手机,开发猕猴桃实时视频计数与猕猴桃果实体积测量功能,以期实现猕猴桃自动化测产。主要研究内容与结论如下:（1）猕猴桃数据集的构建。猕猴桃检测数据集的构建。根据猕猴桃棚架式种植模式底部作业空间大,使用华为P30手机从底部自下向上采集猕猴桃果实双目图像。同时也有利于果农在棚架下方进行果实测产工作。分析猕猴桃生长特性,根据猕猴桃视频计数与果实体积测量的需求,确定果实与果萼为标记目标。依据目标检测数据集格式,分别采用亮度变化、旋转、水平镜像和垂直镜像等方法对标注后的数据集进行数据扩增。将扩增后的数据集以3:1:1的比例划分为训练集、验证集和测试集用于模型训练。（2）基于YOLOv4-tiny与手机的猕猴桃视频计数研究。现有计数算法对算力要求较高,只能在电脑、服务器等设备上运行,无法应用于Android手机等算力有限的设备。针对这一问题,本文提出一种帧间向量计数算法,通过比较视频中相邻两帧间果实的坐标信息,依次应用向量全连接、向量模值聚类、向量角度聚类方法筛选出帧间位移向量,判断向量首尾坐标与果实坐标是否相等,进而实现猕猴桃视频计数。果实在视频帧中的坐标获取则依靠快速、高效的目标检测网络YOLOv4-tiny。结果表明,基于YOLOv4-tiny模型的猕猴桃果实的AP（Average Precision）为95.24%,在华为P30手机上处理一幅图像仅需26 ms,可应用于实时检测。基于帧间向量法的实时视频计数的平均计数精度为79.55%,分析总结出误检和漏检是导致计数误差的主要原因。（3）基于YOLOv4与手机双目视觉的猕猴桃体积测量研究。针对现有依靠测量工具的果实体积测量方法易对果实造成伤害的问题,提出基于手机双目立体视觉系统的无接触式猕猴桃体积测量方法。由于无法直接通过视觉系统计算出图中猕猴桃果实的体积,本文提出利用猕猴桃果实长、短轴与体积的关系拟合方程,估算猕猴桃果实体积的方案。因此,准确选取图像中果实的边缘点是果实体积自动测量的关键。经观察分析,图像中猕猴桃果实姿态与果实和果萼的相对位置直接相关,然而YOLOv4-tiny对果萼小目标的检测效果不佳。综合分析网络的小目标检测能力与手机端可移植性,选择YOLOv4作为猕猴桃果实与果萼的检测网络。另一方面,利用华为P30手机后置标准镜头和广角镜头搭建双目立体视觉系统,通过张正友标定法得到相机内参和外参,利用广角镜头畸变校正模型校正广角图像,运用双目模板匹配方法计算果实边缘点视差进而得到三维坐标,根据欧式距离公式计算果实的长、短轴实际长度,再依据拟合方程推算果实体积。对320幅测试集图像测试后的结果表明,本文中YOLOv4模型对猕猴桃果实检测的AP为98.63%,果萼的AP为83.6%,模型权重为244 MB,在华为P30手机上一幅图像的平均检测时间为320 ms。本文果实体积测量算法获取的果实体积与排水法测得的真实体积值之间的RMSE（Root Mean Squared Error）为14.32 m L,决定系数R~2值为0.8693,表明算法测量体积与实际体积间具有良好的相关性。（4）猕猴桃实时视频测产与Android APP开发。本文融合了猕猴桃实时计数与体积测量算法,开发了猕猴桃实时测产功能。使用Android Studio与Java编程语言按照模块架构进行猕猴桃测产Android APP设计与开发,利用腾讯NCNN框架将YOLO模型移植至Android手机,基于Google开源的multi-camera接口开发Android手机双目视觉系统。将本文开发的算法集成在一个APP中,用户可根据需求选用实时视频计数、体积测量或实时测产功能。