Para lograr el reconocimiento rápido y preciso y la recolección de frutas, se utilizó un sistema de visión binocular compuesto por dos cámaras industriales para recopilar imágenes de frutas en entornos naturales. Se utilizó el modelo de red neuronal convolucional YOLOv7 para el entrenamiento iterativo, y se seleccionó el modelo de peso óptimo para reconocer las imágenes y obtener la región del marco de anclaje de las frutas. Los mapas de patrones binarios locales (LBP) de la región del marco de anclaje fueron extraídos y emparejados utilizando el algoritmo de coincidencia de plantillas de coeficiente de correlación normalizado para obtener las posiciones del punto central en las imágenes izquierda y derecha. Los resultados experimentales de reconocimiento mostraron que la tasa de precisión, tasa de recuperación y del modelo fueron del 97,3%, 97,6%, 97,7% y 97,4%. La tasa de reconocimiento de la fruta con ligera sombra fue del 93,13%, y la tasa de reconocimiento con sombra severa fue del 75,21%. La tasa de reconocimiento de la fruta fue del 90,64% bajo condiciones de luz solar, y la tasa de reconocimiento fue del 91,34% bajo condiciones de sombra. Los resultados del experimento en el huerto mostraron que, en el rango de profundidad de 400-600 mm, el valor de error máximo del sistema de visión estéreo binocular en la dirección de profundidad fue de 4,279 mm, y la desviación estándar fue de 1,142 mm. La precisión de detección y posicionamiento tridimensional del sistema de visión estéreo binocular para frutas básicamente podría cumplir con los requisitos de trabajo del robot recolector de frutas.