La cosecha precisa y no dañina es una dirección clave para el desarrollo de tecnologías mecanizadas de cosecha de frutas. Los arándanos, con su textura suave y piel delicada, presentan desafíos significativos para lograr una cosecha mecánica precisa y no dañina. Este documento propone un método inteligente de reconocimiento y predicción basado en visión artificial. El método utiliza tecnología de reconocimiento de imágenes para extraer las características físicas de los arándanos, como el diámetro y el grosor, y estima la dureza de la fruta en tiempo real a través de un modelo predictivo. La fuerza de agarre de la garra mecánica se ajusta dinámicamente para garantizar una cosecha no destructiva. En primer lugar, se utilizó un algoritmo de optimización de chimpancés (ChOA) para optimizar un modelo de predicción que estableció una relación de mapeo entre el diámetro de la fruta, el grosor, el peso y la dureza de la fruta. El modelo de red de base radial optimizado por el algoritmo de optimización de chimpancés (ChOA-RBF) se comparó con un modelo no optimizado, y los resultados mostraron que el modelo de predicción ChOA-RBF tiene ventajas significativas en la predicción de la dureza de la fruta. A continuación, un experimento ortogonal verificó aún más el modelo, mostrando que el error de predicción entre los valores del modelo y los valores reales fue inferior al 5%. Además, considerando aplicaciones prácticas, se propuso un método de dos parámetros simple y eficiente, eliminando el parámetro de peso y prediciendo la dureza de la fruta utilizando solo el diámetro y el grosor. Aunque el método de dos parámetros aumenta el error de predicción en un 0.36% en comparación con el método de tres parámetros, reduce el número de pasos de convergencia en 71 y acorta el tiempo de cálculo en un tercio, mejorando significativamente la velocidad de iteración. Finalmente, experimentos de trituración adicionales mostraron que el uso del método de dos parámetros para la predicción de dureza a través de la extracción de parámetros mediante reconocimiento visual resultó en un error relativo de menos del 8%, con un error relativo promedio del 3.91%. El error se encuentra dentro del rango aceptable para el diseño del factor de seguridad. Este método proporciona una solución novedosa para la cosecha mecanizada no dañina de frutas blandas.