Contar las bayas de uva y medir su tamaño puede proporcionar datos precisos para la toma de decisiones sobre el comportamiento de recolección de robots, la estimación de rendimiento y la evaluación de calidad. Cuando se recogen las uvas, hay una gran incertidumbre en el entorno externo y en la forma de las uvas. Contar las bayas de uva y medir el tamaño de las bayas son tareas desafiantes. La visión por computadora ha logrado un gran avance en este campo. Aunque el método de detección de bayas de uva basado en información de nubes de puntos 3D depende de equipos de escaneo para estimar el número y el rendimiento de las bayas de uva, el método de detección es difícil de generalizar. La detección de bayas de uva basada en imágenes 2D es un método efectivo para resolver este problema. Sin embargo, es difícil para los algoritmos tradicionales medir con precisión el tamaño de las bayas y otros parámetros, y aún existe el problema de la baja robustez en el conteo de bayas. En respuesta a los problemas anteriores, proponemos un método de detección de bayas de uva basado en el procesamiento de imágenes de bordes y morfología geométrica. Se introduce la búsqueda de contornos de bordes y el algoritmo de detección de esquinas para detectar la posición del punto cóncavo del contorno de la baya extraído por el algoritmo de Canny para obtener el mejor segmento de contorno. Para obtener correctamente la información del contorno de borde de cada baya y reducir el agrupamiento de error de los segmentos de contorno, este documento propone un algoritmo para combinar segmentos de contorno basado en una estrategia de búsqueda por agrupamiento y determinación de dirección de rotación, que realiza la reorganización correcta de los segmentos de contorno segmentados, para lograr un cálculo preciso del número de bayas y una medición precisa de su tamaño. Los resultados experimentales demuestran que nuestro método propuesto tiene una precisión promedio del 87.76% para la detección de los puntos cóncavos de los contornos de borde de diferentes tipos de uvas, lo que puede lograr una buena segmentación del contorno de borde. La precisión promedio de la detección del número de bayas de uva en este documento es del 91.42%, que es un 4.75% más alta que la de la transformación de Hough. El error promedio entre el tamaño medido de la baya y el tamaño real de la baya es de 2.30 mm, y el error máximo es de 5.62 mm, lo cual está dentro de un rango razonable. Los resultados demuestran que el método propuesto en este documento es lo suficientemente robusto como para detectar diferentes tipos de bayas de uva.