Denne oppgaven undersøker hvordan datasyn kan brukes til å detektere jordbær i bilder. Tre forskjellige datasynsalgoritmer legges frem, implementeres og sammenlignes med hverandre i denne oppgaven. Den første er basert på tradisjonelt datasyn og bruker hovedsakelig en segmenteringsalgoritme for å detektere jordbær. De to andre er basert på et rammeverk for dyp læring som bruker dype nett for å detektere jordbær. Spørsmålet denne oppgaven prøver å svare på er som følger; hvilke av de to metodene, tradisjonelt datasyn og dyp læring, egner seg best til å detektere jordbær i bilder? Teorien bak hver metode forklares først for å forstå hvordan de fungerer og kan brukes. Så blir implementasjonen av hver metode beskrevet og resultatene blir lagt frem. Til slutt diskuteres metodene og resultatene for å kunne konkludere og diskutere hva Saga Robotics kan gjøre videre for å forbedre resultatene. Koden implementert i denne oppgaven finnes i Appendix A. Appendix B inneholder lenker til tre videoer som viser resultatet av hver metode implementert i denne oppgaven. De beste resultatene i denne oppgaven er en mAP på 87.1% og en gjennomsnitlig segmenteringsnøyaktighet på 86.6% for YOLOv3-strawberry, en versjon av YOLOv3 trent spesifikt på jordbær. Denne oppgaven konkluderer med at metodene basert på dyp læring som ble implementert egner seg bedre til å detektere jordbær enn metoden basert på tradisjonelt datasyn som ble implementert.