برداشت دستی محصول فلفل دلمه‌ای به عنوان یکی از محصولات گلخانه‌ای زمان‌بر و هزینه‌های کارگری بالایی به دنبال دارد. به منظور برداشت رباتیک این محصول سامانه‌های بینایی ماشینی دوبعدی مختلفی توسعه یافته است. به دلیل محیط پیچیده گلخانه، تراکم بالای شاخه و برگ، وجود آفات و بیماری‌ها و آفتاب سوختگی، شرایط نوری غیر یکنواخت و متغیر و بلوغ غیر همزمان محصول منجر به غیریکنواختی در رنگ می‌شود. بنابراین علاوه بر فلفل دلمه‌ای سبز برداشت فلفل‌های دلمه‌ای رنگی نیز با چالش‌هایی همراه باست. لذا هدف از انجام این پژوهش تشخیص فلفل دلمه‌ای در مدل ابر نقاط مبتنی بر توصیفگر هیستوگرام ویژگی‌های سریع نقطه (FPFH) و یادگیری ماشین است. جهت ثبت تصاویر عمق از حسگر Kinect V2 استفاده شد. پس از ایجاد مدل سه‌بعدی از ویژگی‌های هندسی(FPFH) جهت طبقه‌بندی و از کانال رنگی H جهت ایجاد نظارت در 9 مدل طبقه‌بند استفاده شد. برای این منظور از 15 مدل سه‌بعدی از فلفل‌های رنگی استفاده شد. با توجه به معیار‌های F1-Score، سطح زیر منحنی و صحت الگوریتم، مدل طبقه‌بند KNN به عنوان بهترین مدل انتخاب شد. به منظور ارزیابی الگوریتم KNN بر روی 15 مدل سه‌بعدی از فلفل قرمز، فلفل نارنجی و زرد اجرا و در نهایت مورد بازبینی انسانی قرار گرفت. نتایج نشان داد مقدار معیار F1-Score به جز یک مورد در همه موارد بالاتر از 7/0، سطح زیر منحنی راک نیز در همه موارد بالاتر از 8/0 و صحت الگوریتم طبقه بندی در همه موارد بالاتر از 9/0 به دست آمد. علاوه بر این نتایج ارزیابی انسانی نیز نشان داد که حداقل دقت تشخیص برابر 42/71 درصد و در بعضی موارد نیز دقت 100 درصد حاصل شده است.