گوجه فرنگی رتبه دوم را در مقدار برداشت کشت گلخانه ای دارد. مقدار برداشت و سطح زیر کشت این محصول طی 60 سال گذشته روندی کاملا صعودی داشته است. از این رو تحقیقات فرآوانی به منظور طراحی ربات برداشت این محصول صورت گرفته است. قسمت بینایی رایانه ای بخش مهمی از ربات های برداشت محصول را تشکیل می دهد. این قسمت از الگوریتم های پردازش تصویر به منظور تشخیص موقعیت گوجه فرنگی ها بهره می برد، اما وجود چالش هایی مانند: تغییرات روشنایی، همپوشانی گوجه فرنگی ها و شرایط پیچیده محیطی مانع تشخیص درست این محصول می گردد. برای حل مشکلات فوق استفاده از شبکه های عصبی مصنوعی بسیار متداول گردیده است. از این بین شبکه های Yolo عملکرد بسیار مناسبی را از نظر دقت و سرعت تشخیص ارائه می دهند اما هنوز از بار محاسباتی بالایی برای استفاده در کاربرد های رباتیک برخوردارند. ایده این پژوهش استفاده از رزلوشن تصویر بهینه برای آموزش و ارزیابی شبکه می باشد. رزلوشن بهینه، رزلوشنی است که در آن امر تشخیص از سرعت و دقت مناسبی برخوردار است. در این راستا مجموعه داده ای شامل 453 تصویر از گوجه فرنگی های نارس تا رسیده که به روی بوته قرار داشتند تهیه گردید. سپس تغییر رزلوشن تصاویر در هجده کلاس انجام گرفت. در ادامه تعداد پنج رزلوشن در شبکه Yolov3 و تعداد هجده رزلوشن در شبکه های Yolov5s و Yolov7-tiny از نظر دقت و سرعت تشخیص گوجه فرنگی ها مورد ارزیابی قرار گرفتند. همچنین رزلوشن های مورد بررسی دارای بازه 64*64 پیکسل تا 608*608 پیکسل بوده اند. نتایج بیان گر این مضوع است که بیش تر رزلوشن های مورد بررسی، دقت تغریبا برابری را ارائه می دهند اما از نظر زمان تشخیص یا بار محاسباتی اختلاف بالایی بین آن ها مشاهده می شود.
