茶葉智能機(jī)械化采摘技術(shù)與裝備研究進(jìn)展

摘要：為實(shí)現(xiàn)茶葉的智能機(jī)械化采摘，以增產(chǎn)增量、節(jié)約成本、增加市場競爭力、滿足數(shù)字農(nóng)業(yè)農(nóng)村的發(fā)展需求，圍繞末端執(zhí)行器、檢測與定位、采摘順序規(guī)劃等限制茶葉采摘機(jī)械裝備發(fā)展的關(guān)鍵技術(shù)展開綜述，對研究現(xiàn)狀進(jìn)行闡述和分析，總結(jié)當(dāng)前茶葉智能機(jī)械化采摘領(lǐng)域突出研究成果。當(dāng)前受茶園環(huán)境的非結(jié)構(gòu)化性影響，茶葉智能機(jī)械化采摘存在末端執(zhí)行器實(shí)時(shí)性較低、檢測與定位算法精度受非線性光照變化影響大、茶葉采摘順序規(guī)劃算法的全局尋優(yōu)實(shí)時(shí)性較差。對發(fā)展低損傷、高效率的智能機(jī)械化茶葉采摘裝備提出開發(fā)剪切—收集一體式末端執(zhí)行器、研究融合多尺度特征的小目標(biāo)精準(zhǔn)檢測算法、設(shè)計(jì)多機(jī)械臂連貫采摘順序規(guī)劃方法、推進(jìn)農(nóng)機(jī)與農(nóng)藝結(jié)合等發(fā)展建議。以期為促進(jìn)我國茶葉智能機(jī)械化采摘裝備的研究與推廣提供參考。

關(guān)鍵詞：茶葉采摘機(jī)器人；末端執(zhí)行器；檢測定位；采摘順序規(guī)劃

中圖分類號：S225.93" " " 文獻(xiàn)標(biāo)識碼：A" " " 文章編號：2095?5553 （2024） 09?0305?06

Research progress of intelligent mechanized tea picking technology and equipment

Wang Minglong Xu Yao Zhang Zhihao Zhu Lixue Lin Guichao

（1. College of Mechanical and Electrical Engineering， Zhongkai University of Agriculture and Engineering，

Guangzhou， 510220， China; 2. Zhongkai Guangmei Research Institute， Meizhou， 514700， China）

Abstract： In order to realize intelligent mechanized tea picking， increase production increase， save cost， increase market competitiveness and meet the development needs of digital agriculture and rural areas， the key technologies limiting the development of tea picking machinery and equipment such as end?effector， detection and positioning and picking sequence planning were summarized， and the research status was described and analyzed. The current outstanding research achievements" in the field of intelligent mechanized tea picking were summarized. At present， due to the unstructured nature of the tea garden environment， the real?time performance of the end effector was low， the accuracy of the detection and positioning algorithm was greatly affected by nonlinear illumination changes， and the real?time performance of the global optimization of the tea picking sequence planning algorithm was poor. Suggestions were put forward for the development of intelligent mechanized tea picking equipment with low damage and high efficiency， such as the development of cut?collection integrated end?effector， the study of small?target accurate detection algorithm integrating multi?scale features， the design of multi?arm coherent picking sequence planning method， and the promotion of the combination of agricultural machinery and agronomy， so as to provide reference for promoting the research and popularization of intelligent mechanized tea picking equipment in China.

Keywords： tea picking robot; end?effector; detection and positioning; picking sequence planning

0 引言

我國是世界上茶葉產(chǎn)量最高的國家。據(jù)統(tǒng)計(jì)，2022年，我國茶葉產(chǎn)量為3 181 kt；2023年，茶葉產(chǎn)量達(dá)到3 339 kt。同時(shí)，茶葉采摘成本占到整個(gè)茶葉生產(chǎn)成本的60%[1， 2]，且采摘方式都是以人工采摘為主、半機(jī)械采摘為輔。受我國城鎮(zhèn)化和人口老齡化影響，農(nóng)村青壯年勞動(dòng)力日益減少，使季節(jié)性強(qiáng)、勞動(dòng)強(qiáng)度大的茶葉采摘環(huán)節(jié)面臨成本高的問題[3]。為了提高茶葉采摘效率、降低人工成本、填補(bǔ)茶葉智能機(jī)械化采摘的技術(shù)空缺[4]，迫切需要加快茶葉智能機(jī)械化裝備的研究[5， 6]。茶葉可分為大宗茶和名優(yōu)茶，名優(yōu)茶采摘要求一般為茶葉的單芽或一芽一葉，大宗茶要求一般是一芽一葉或一芽多葉。人工方法進(jìn)行茶葉采摘時(shí)，能準(zhǔn)確區(qū)分嫩芽與嫩葉，按照品質(zhì)進(jìn)行選擇性采摘。但人工作業(yè)效率低且成本在逐年增高，不利于茶葉產(chǎn)業(yè)的可持續(xù)健康發(fā)展。茶葉機(jī)械化采摘經(jīng)過幾十年發(fā)展出現(xiàn)了一些機(jī)械化往復(fù)切割式采茶機(jī)，可以有限地提高人工采茶效率，但人工參與過程較多，并且會(huì)對茶葉和茶樹有一定的損傷，同時(shí)采摘的品質(zhì)也達(dá)不到上乘，大多在大宗茶的采摘中使用，屬于一刀切的采摘方式。茶葉產(chǎn)業(yè)采收機(jī)械化程度低的問題，促進(jìn)了國內(nèi)外對于采茶機(jī)器人的研究。隨著人工智能技術(shù)、機(jī)電一體化技術(shù)的發(fā)展，智能機(jī)器人在農(nóng)業(yè)不斷應(yīng)用，茶葉機(jī)械智能化采摘也逐漸開始發(fā)展起來。本文圍繞茶葉智能機(jī)械化采摘技術(shù)與裝備的發(fā)展現(xiàn)狀進(jìn)行綜述和剖析，并歸納總結(jié)當(dāng)前對于智能化茶葉采摘過程中存在的不足之處，提出有關(guān)茶葉智能化采摘的改進(jìn)方向以及展望。

1 末端執(zhí)行器

末端執(zhí)行器是采摘裝備與茶嫩芽接觸的部位，作用是將茶嫩芽從其莖稈上分離出來，決定了采摘裝備的作業(yè)效率和茶嫩芽的品質(zhì)。當(dāng)前對于果蔬采摘的末端執(zhí)行器研究已經(jīng)取得不錯(cuò)的進(jìn)展，但由于茶葉嫩芽采摘難度較高，一是茶葉嫩芽體型小，二是機(jī)械采摘中的損傷會(huì)影響茶葉的口感和品質(zhì)，這些因素都給采摘末端執(zhí)行器的研制增加難度，給研究人員提出更高的要求。賈江鳴等[7]通過觀察人手采摘茶葉的方式，設(shè)計(jì)了一種“提拉式”手持名優(yōu)茶嫩梢采摘機(jī)械手，將機(jī)械手放置在茶葉上方，當(dāng)檢測到茶葉后，機(jī)械手由舵機(jī)帶動(dòng)主動(dòng)手指進(jìn)行旋轉(zhuǎn)并配合從動(dòng)手指將茶葉嫩芽夾斷，使用Design-Expert 11.0軟件優(yōu)化影響因素，試驗(yàn)結(jié)果表明，采摘成功率為74.3%，3次采摘平均速度為25.2個(gè)/min。范元瑞[8]基于Delta并聯(lián)機(jī)器人，結(jié)合仿生學(xué)概念并通過力學(xué)分析設(shè)計(jì)了一種指型采摘末端執(zhí)行器。該末端執(zhí)行器使用推拉式電磁鐵作為驅(qū)動(dòng)核心，通過對電流的通斷進(jìn)行控制，使其進(jìn)行往復(fù)運(yùn)動(dòng)來進(jìn)行茶葉采摘，同時(shí)在采摘指尖位置安裝了橡膠墊來保護(hù)嫩芽，降低對茶葉嫩芽的損傷。尚凱歌[9]分析茶葉形狀尺寸特點(diǎn)，提出了一種由微型氣缸作為核心驅(qū)動(dòng)的茶葉采摘末端執(zhí)行器，采摘時(shí)，機(jī)械手爪處于打開狀態(tài)，通過氣缸推動(dòng)四桿機(jī)構(gòu)使得機(jī)械手爪閉合對茶葉進(jìn)行采摘。羅坤等[10]在分析了人工采摘茶葉過程和茶嫩芽物理特性后，設(shè)計(jì)了一種柔性捏切式采摘器。該設(shè)計(jì)巧妙利用凸輪的形狀，先使刀片閉合進(jìn)行捏切，再揚(yáng)拋茶葉進(jìn)行收集，該采摘器在接觸茶嫩芽末端使用了柔性海綿塊，降低了在采摘時(shí)對于茶葉嫩芽的損傷，試驗(yàn)表明該機(jī)器采摘品質(zhì)與人工采摘品質(zhì)無異，達(dá)到了名優(yōu)茶采摘標(biāo)準(zhǔn)。許麗佳等[11]基于茶葉物理學(xué)特性設(shè)計(jì)了一種可夾提式茶葉嫩梢的末端執(zhí)行器，試驗(yàn)結(jié)果表明，一芽一葉的漏采率為2.8%、采摘完整率為91%；一芽兩葉的漏采率低于3%、采摘完整率為94%。原艷芳[12]設(shè)計(jì)一種曲柄滑塊機(jī)構(gòu)的茶葉采摘末端執(zhí)行器，該末端執(zhí)行器由氣缸推桿帶動(dòng)刀片開合對茶葉進(jìn)行采摘，并通過真空裝置將采摘后的茶葉嫩芽進(jìn)行收集。陳勇等[13]設(shè)計(jì)了一種“提手采”的茶葉仿生采摘手指末端執(zhí)行器，該執(zhí)行器在定位到茶葉后，然后將茶葉固定，并通過提拉等動(dòng)作將茶葉的莖拉斷，對茶葉進(jìn)行采集。郝淼等[14]設(shè)計(jì)了仿生采摘手爪式末端執(zhí)行器，該執(zhí)行器仿照人工采摘時(shí)“提手采”的動(dòng)作進(jìn)行采摘，由氣力進(jìn)行驅(qū)動(dòng)，室內(nèi)試驗(yàn)結(jié)果表明：采摘成功率接近70%。林桂潮等[15]設(shè)計(jì)了一種剪切—采收一體式的茶葉采摘末端執(zhí)行器。該末端執(zhí)行器利用曲柄搖桿機(jī)構(gòu)對茶葉嫩芽進(jìn)行采摘，并且利用曲柄搖桿機(jī)構(gòu)的慣性將采摘后的嫩芽拋至機(jī)器后端的收集盒中，從而完成采摘—收集工作。田間試驗(yàn)結(jié)果，該末端執(zhí)行器的采摘成功率為75%，平均采摘時(shí)間為1.5 s，可以滿足茶葉采摘機(jī)器人的作業(yè)需求。

當(dāng)前針對茶葉采摘末端執(zhí)行器研究多采用機(jī)械剛性結(jié)構(gòu)，存在兩個(gè)問題：一是大多末端執(zhí)行器沒有配套收集裝置，要求機(jī)器臂運(yùn)動(dòng)至某個(gè)位置釋放茶葉，茶葉采摘效率不高；二是末端執(zhí)行器結(jié)構(gòu)復(fù)雜，穩(wěn)定性有待提高。在茶葉采摘末端執(zhí)行器的研究中，應(yīng)當(dāng)考慮增加柔性材料的使用，在機(jī)器采摘速度提升時(shí)考慮機(jī)器的持續(xù)工作能力，提高末端執(zhí)行器的整體效率。

2 檢測與定位方法

茶嫩芽檢測與定位是茶葉智能機(jī)械化采摘裝備進(jìn)行作業(yè)的首要前提。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，涌現(xiàn)了很多茶嫩芽檢測與定位，可大致分為基于圖像分析的檢測方法和基于深度學(xué)習(xí)的檢測方法。

2.1 基于圖像分析的檢測方法

在基于圖像分析的檢測方法中，大多研究根據(jù)茶嫩芽的顏色、形狀或紋理特征，應(yīng)用機(jī)器學(xué)習(xí)方法或數(shù)字圖像處理技術(shù)進(jìn)行檢測。吳雪梅等[16]使用Lab顏色空間中的a、b分量構(gòu)造色差圖，分別使用K-means聚類法和Ostu法對茶葉進(jìn)行識別。結(jié)果表明，K-means聚類法能較好的區(qū)分圖像中的嫩芽和背景，同時(shí)對嫩芽分割完整度較高，優(yōu)于Ostu法。張可等[17]首先對R-B和b分量進(jìn)行閾值分割，其次在Lab顏色空間上使用K-means聚類法進(jìn)行茶葉嫩芽分割，有效地識別嫩芽。Zhang等[18]使用最小誤差法得到最佳自適應(yīng)閾值，利用分段增強(qiáng)線性變換增加嫩芽與背景的差異，最后使用改進(jìn)的分水嶺算法進(jìn)行識別。結(jié)果表明：改進(jìn)后的算法平均分割準(zhǔn)確率為95%。韋佳佳[19]在研究顏色特征對茶葉嫩芽的影響后，對多個(gè)顏色空間進(jìn)行灰度化處理，找到各顏色空間中最為突出嫩芽區(qū)域的色彩因子，隨后使用合適的濾波窗口對二值圖像進(jìn)行濾波，最后對圖像進(jìn)行形態(tài)學(xué)處理分割出茶葉嫩芽，取得了不錯(cuò)的效果。黃海軍等[20]將Ostu和分水嶺算法結(jié)合起來，使茶葉圖像經(jīng)過兩次分割，結(jié)果表明：該方法能夠很好地檢測茶葉嫩芽。

2.2 基于深度學(xué)習(xí)的檢測方法

近幾年，隨著深度學(xué)習(xí)領(lǐng)域的不斷發(fā)展，在農(nóng)業(yè)中也相繼出現(xiàn)許多研究。相比傳統(tǒng)的圖像分析方法，深度學(xué)習(xí)技術(shù)在茶嫩芽檢測中也展現(xiàn)出了更好的效果[21]。許高建等[22]對比了多種特征提取網(wǎng)絡(luò)的Faster R-CNN深度網(wǎng)絡(luò)模型，結(jié)果表明：當(dāng)使用VGG16作為特征提出網(wǎng)絡(luò)時(shí)，茶嫩芽檢測效果最好。Yang等[23]在YOLOv3的基礎(chǔ)上，使用圖像金字塔提取不同尺度的茶嫩芽特征，并加入殘差網(wǎng)絡(luò)塊，訓(xùn)練后的模型識別正確率高于90%。孫肖肖等[24]首先結(jié)合超綠特征和OSTU算法對復(fù)雜背景的茶葉嫩芽進(jìn)行預(yù)處理，然后將YOLO架構(gòu)應(yīng)用在復(fù)雜背景下的茶葉嫩芽檢測，獲得了較好的效果。張晴晴[25]利用YOLOv3模型進(jìn)行分析多尺度下的茶葉嫩芽識別，并且與一階式SSD對比分析，結(jié)果表明：YOLOv3比SSD算法在茶葉嫩芽識別的平均精度mAP值高出9.1%，召回率高出5.3%，證明了卷積神經(jīng)網(wǎng)絡(luò)在自然場景下對于茶葉嫩芽識別的可行性，為茶葉的智能化采摘研究提供了技術(shù)基礎(chǔ)。

綜上所述，以上兩種方法在茶葉嫩芽檢測中都有不錯(cuò)的效果。其中，基于深度學(xué)習(xí)的檢測檢測方法具有更好的魯棒性，對茶葉個(gè)體差異和非線性光照變化影響較小，同時(shí)隨著深度學(xué)習(xí)的發(fā)展，未來的茶葉智能機(jī)械化采摘檢測研究應(yīng)往此方向研究。

2.3 茶嫩芽定位方法

茶嫩芽定位是茶葉智能化采摘過程中的關(guān)鍵環(huán)節(jié)。張浩等[26]利用光柵投影輪廓術(shù)對茶葉嫩梢進(jìn)行定位，在采摘時(shí)能夠高度過去茶葉嫩梢信息，并采用時(shí)間相位法獲取光柵的相位，利用形態(tài)濾波器去除噪聲，取得了不錯(cuò)的試驗(yàn)效果。龍樟等[27]結(jié)合邊緣檢測和股骨架化處理的嫩芽定位算法，使用Canny算子進(jìn)行邊緣檢測得到嫩芽圖像的邊界信息，并將提取出的嫩芽骨架與之處理合并。處理結(jié)果表明，該方法能在圖像中平穩(wěn)確定茶葉嫩芽采摘點(diǎn)。鄒浪[28]在解決茶葉定位問題時(shí)，首先將檢測出茶嫩芽進(jìn)行二值化處理，將輪廓最低點(diǎn)為中心建立RIO區(qū)域，進(jìn)行特征提取，并進(jìn)行骨架細(xì)化，然后利用Shi-Tomasi算法提取茶嫩芽與樹枝的交點(diǎn)坐標(biāo)，并結(jié)合嫩芽二值化輪廓最低點(diǎn)得出茶葉的二維坐標(biāo)，最后，在此基礎(chǔ)之上，運(yùn)用雙目視覺原理的出茶葉嫩芽的三維坐標(biāo)信息。姜宏濤等[29]使用MatLab求解出嫩芽的最小外接矩形，隨后使用SURF算法檢測關(guān)鍵點(diǎn)作為采摘點(diǎn)，最后通過雙目測距來得到茶葉采摘點(diǎn)的三維坐標(biāo)，取得了不錯(cuò)的效果。王鵬[30]使用張氏標(biāo)定法得到相機(jī)內(nèi)外參數(shù)，隨后借助較高精度的MatLab工具箱進(jìn)行立體標(biāo)定，建立雙目定位模型，最后經(jīng)過坐標(biāo)轉(zhuǎn)換和三角測距原理，得到精確的三維坐標(biāo)。結(jié)果表明：由于嫩芽姿態(tài)、嫩芽大小、相機(jī)精度等原因，算法存在誤差，但在可接受范圍內(nèi)，并可以通過優(yōu)化末端執(zhí)行器來進(jìn)行矯正。

在茶葉定位問題中大多使用雙目視覺進(jìn)行茶葉定位，定位效果基本滿足要求，但是受自然條件影響，會(huì)存在些許誤差，可以結(jié)合末端執(zhí)行器進(jìn)行細(xì)微調(diào)整，滿足采摘需求。在以后茶葉嫩芽檢測與定位的研究中，應(yīng)該多考慮茶葉在自然環(huán)境下采摘會(huì)遇到的影響因素，尋求更好的解決方案。

3 采摘順序規(guī)劃

茶嫩芽空間分布稠密，規(guī)劃茶嫩芽的采摘先后順序使機(jī)械臂能夠以最短的路徑完成茶嫩芽采摘，將可以提高采摘效率。因此，進(jìn)行采摘順序規(guī)劃是高效采摘工作進(jìn)行的重要環(huán)節(jié)。早期的路徑規(guī)劃優(yōu)化算法主要有模擬退火算法、人工勢場法和模糊邏輯算法。由于發(fā)展較早，這些算法各有不同的優(yōu)缺點(diǎn)，當(dāng)前路徑規(guī)劃智能優(yōu)化算法主要有人工神經(jīng)網(wǎng)絡(luò)算法、蟻群算法和遺傳算法[31， 32]。陳龍[33]使用改進(jìn)的蟻群算法，對信息素啟發(fā)因子進(jìn)行優(yōu)化，加入了垂直位移約束因子，并進(jìn)行了仿真試驗(yàn)，為茶葉機(jī)器人的實(shí)際應(yīng)用提供了理論基礎(chǔ)。鮑偉[34]以傳統(tǒng)遺傳算法為基礎(chǔ)，提出了一種自適應(yīng)競爭的遺傳算法，借助K-means聚類算法將嫩芽待采摘區(qū)域進(jìn)行劃分，并根據(jù)采摘區(qū)特點(diǎn)進(jìn)行染色體編碼，改進(jìn)交叉算子，引入自適應(yīng)競爭策略，搭建了自適應(yīng)競爭遺傳算法模型，仿真結(jié)果表明：將采摘區(qū)域劃分成4個(gè)時(shí)，得出最優(yōu)采摘機(jī)械手行走路徑為231.076 cm的結(jié)論，其仿真耗時(shí)為26 s。提出的自適應(yīng)競爭遺傳算法的收斂速度和最終的優(yōu)化結(jié)果都優(yōu)于傳統(tǒng)的遺傳算法。李亞濤[35]在解決茶葉采摘順序規(guī)劃問題時(shí)，將采摘順序問題轉(zhuǎn)換為空間旅行商問題來進(jìn)行優(yōu)化求解，同時(shí)考慮到機(jī)械臂在移動(dòng)中速度和穩(wěn)定性，使用了基于貝塞爾和球面線性差值對末端的機(jī)械臂運(yùn)動(dòng)軌跡位置量和姿態(tài)量進(jìn)行規(guī)劃，通過仿真試驗(yàn)驗(yàn)證了末端軌跡規(guī)劃的有效性。Wang等[36]提出了一種基于蟻群算法的采茶路徑規(guī)劃方案。借助K-means聚類算法對不同采摘區(qū)域進(jìn)行規(guī)劃，找到合適的迭代值，提高了算法的速度和采茶效率。原艷芳等[37]使用蟻群算法進(jìn)行采摘路徑規(guī)劃，考慮到雙機(jī)械手會(huì)有重疊空間，將采摘區(qū)域劃分為多個(gè)區(qū)域，提出新的迭代終止條件并將信息素濃度值改為自適應(yīng)值，并將基礎(chǔ)蟻群算法中迭代次數(shù)與采摘路徑結(jié)合，對原有的蟻群算法進(jìn)行優(yōu)化，改善了基本蟻群算法的最優(yōu)解的全局性和收斂速度。汪小名[38]提出一種改進(jìn)的蟻群算法，在算法中加入交換、逆序、插入等操作，使其獲得新的路徑，擴(kuò)大解的多樣性，按照遺傳算法進(jìn)行全局優(yōu)化，改進(jìn)蟻群算法易陷入局部最優(yōu)解的問題。目前在茶葉采摘路徑規(guī)劃問題中大多使用蟻群算法和遺傳算法，這兩種方法在解決旅行商問題表現(xiàn)十分良好，蔡光躍等[39]分析對比了兩種算法的優(yōu)缺點(diǎn)，發(fā)現(xiàn)規(guī)劃城市規(guī)模數(shù)量在30以下時(shí)，遺傳算法有較好的表現(xiàn)；在城市規(guī)模達(dá)到30～70之間時(shí)，蟻群算法會(huì)有較好的表現(xiàn)；當(dāng)城市規(guī)模進(jìn)一步增大時(shí)就需要考慮改進(jìn)式的遺傳算法或蟻群算法。

當(dāng)前在茶葉采摘順序規(guī)劃中對最短路徑的求解大多將其看作旅行商問題，普遍使用隨機(jī)啟發(fā)式的蟻群算法解決最短路徑問題。該方法能完成對于茶葉嫩芽的采摘，但模型復(fù)雜、計(jì)算開銷較大，同時(shí)由于茶葉枝葉繁茂、同一片區(qū)域內(nèi)可采摘的目標(biāo)多且芽葉目標(biāo)較小，如何實(shí)時(shí)規(guī)劃最短采摘路徑的問題仍需深入研究。

4 存在問題與發(fā)展建議

近幾年，許多研究人員參與到茶葉智能化采摘技術(shù)的研究中，但是許多研究設(shè)計(jì)都還處在概念樣機(jī)階段，離落地應(yīng)用還有一段距離。受茶園環(huán)境非結(jié)構(gòu)化性影響，包括茶葉嫩芽生長不一致、高低不平、且與背景顏色相似，當(dāng)前的茶葉采摘智能化水平較低，主要依靠人工完成采摘。茶葉智能機(jī)械化采摘的重點(diǎn)是如何高效、低損地完成嫩芽采摘。本文結(jié)合當(dāng)前茶葉機(jī)械化采摘現(xiàn)狀和已有技術(shù)，提出以下問題和建議。

4.1 存在問題

1） 末端執(zhí)行器穩(wěn)定性和實(shí)時(shí)性有待提高。為了提高采摘連貫性，末端執(zhí)行器應(yīng)同時(shí)具有剪切和收集功能，這是現(xiàn)有末端執(zhí)行器普遍缺失的功能。另外，大多數(shù)末端執(zhí)行器幾乎沒有誤差補(bǔ)償能力，當(dāng)視覺定位誤差較大時(shí)，存在采摘成功率低的問題。

2） 茶嫩芽檢測與定位精度有待提高。由于茶嫩芽體型小、分布密集，且田間環(huán)境下非線性變化嚴(yán)重，茶嫩芽精準(zhǔn)檢測與定位較難。另外，許多學(xué)者使用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測，取得一定效果，但缺少如何部署深度卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)研究。

3） 現(xiàn)有采摘順序規(guī)劃方法實(shí)時(shí)性有待提高。機(jī)械臂采摘順序規(guī)劃普遍采用全局優(yōu)化算法，例如遺傳算法和蟻群算法，存在搜索效率低、迭代速度慢、容易陷入局部最優(yōu)解的問題，實(shí)時(shí)性有待提高。

4） 農(nóng)藝與農(nóng)藝未妥善結(jié)合。各個(gè)茶園壟寬、樹高均不一致，不利于推廣茶葉采摘機(jī)械。另外，茶樹樹冠高低不平、茶嫩芽生長一致性差，嚴(yán)重影響采摘機(jī)械作業(yè)效率。

4.2 發(fā)展建議

1） 受茶園非結(jié)構(gòu)化性影響，茶葉嫩芽檢測與定位難免存在誤差，為此末端執(zhí)行器應(yīng)具有一定容差能力，克服微小誤差干擾。此外，由于茶芽非常脆弱，在采摘末端執(zhí)行器的尖端使用更靈活的材料可能會(huì)減少對茶芽的損傷，提高茶的質(zhì)量。在設(shè)計(jì)末端執(zhí)行器時(shí)，盡量避免復(fù)雜結(jié)構(gòu)，不但可以提高機(jī)器的使用壽命，也能提高整體效率。再有，針對茶葉智能采摘機(jī)械臂的研究大都只有一個(gè)機(jī)械臂，極大限制了采茶機(jī)的效率，降低了采摘速度，未來研究應(yīng)該加對于多機(jī)械臂的研究，在保證機(jī)器采摘穩(wěn)定性、準(zhǔn)確性的同時(shí)，增加采摘效率，提高采摘速度。

2） 茶葉智能機(jī)械采摘的難點(diǎn)在于茶樹生長茂密、背景復(fù)雜、茶葉之間遮擋嚴(yán)重，同時(shí)采摘時(shí)受天氣影響較大，如光照、風(fēng)力等。茶葉種類繁多，且生長形態(tài)不一，導(dǎo)致算法不穩(wěn)定，檢測模型針對茶葉品種較為單一。未來研究方向應(yīng)考慮提升算法通用性、魯棒性以及算法檢測速度，兼顧不同視角、不同距離對茶葉進(jìn)行樣本采集。為了解決茶葉體型小、分布密集帶來的挑戰(zhàn)，未來可融合多尺度信息和自注意力機(jī)制，提高小目標(biāo)檢測精度。為了克服非線性光照變化問題，可以采用在夜間作業(yè)的方式，提高視覺檢測定位的穩(wěn)定性。另外研究不同品種茶葉的相似之處，豐富樣本數(shù)量，也可提高算法使用的普遍性。

3） 由于茶葉生長特點(diǎn)，茶樹矮小且枝葉繁茂，在機(jī)械化采摘過程中既想要保證速度的同時(shí)還要兼顧采摘質(zhì)量，合理的采摘順序規(guī)劃必不可少。結(jié)合當(dāng)前的對于路徑規(guī)劃的研究，應(yīng)考慮多種算法結(jié)合的方法進(jìn)行，取長補(bǔ)短，減少算法的復(fù)雜度，并提高路徑規(guī)劃的合理性、準(zhǔn)確性。

4） 在現(xiàn)代農(nóng)業(yè)快速發(fā)展的背景下，農(nóng)機(jī)與農(nóng)學(xué)相結(jié)合是未來農(nóng)業(yè)發(fā)展的必然選擇。利用科學(xué)實(shí)用的農(nóng)藝技術(shù)與農(nóng)業(yè)機(jī)械相結(jié)合，以先進(jìn)的農(nóng)業(yè)機(jī)械為載體，將更有利于茶葉綜合生產(chǎn)能力的提高，也可以顯著提高茶葉生產(chǎn)效益。增強(qiáng)農(nóng)機(jī)與農(nóng)藝的配合，研究分析不同品種茶樹的空間結(jié)構(gòu)和茶葉生長特點(diǎn)對采摘效率的影響，也有助研究更加高效智能的茶葉采摘機(jī)械。

5 結(jié)語

茶葉的智能機(jī)械化采收是茶葉產(chǎn)業(yè)轉(zhuǎn)變的發(fā)展方式、節(jié)約成本、提高效益、擴(kuò)大茶葉產(chǎn)業(yè)影響力的重要途徑之一。當(dāng)前對于茶葉智能機(jī)械化采摘的研究，一體化智能裝備研究較少且大多數(shù)停留在機(jī)階段，沒有形成量產(chǎn)，智能采摘機(jī)械化程度較低，人工參與度較高，并且采摘品質(zhì)低，一些高品質(zhì)茶葉，仍需人工進(jìn)行采摘。但是隨著更多研究人員的加入和茶葉產(chǎn)業(yè)規(guī)模的不斷擴(kuò)大，以及計(jì)算機(jī)硬件運(yùn)算能力、傳感器的感知精度、相機(jī)的色彩能力、算法計(jì)算速度和精度的不斷發(fā)展和提高，相信茶葉的智能機(jī)械化采摘研究進(jìn)程會(huì)加速推進(jìn)。

參 考 文 獻(xiàn)

[ 1 ] 國家統(tǒng)計(jì)局. 中華人民共和國2023年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[EB/OL]. https： //www. stats. gov. cn/sj/zxfb/202402/t20240228_1947915. html， 2024-02-28.

[ 2 ] 梅宇， 梁曉. 2023年我國茶葉產(chǎn)銷及進(jìn)出口形勢分析[J]. 中國茶葉， 2024， 46（4）： 18-26.

[ 3 ] 劉仲華， 黃建安， 龔雨順， 等. 茶葉功能成分的健康作用研究新進(jìn)展[J]. 中國茶葉， 2021， 43（9）： 1-11.

[ 4 ] 陸德彪， 尹軍峰. 我國名優(yōu)綠茶機(jī)械化采摘的意義與實(shí)現(xiàn)路徑[J]. 中國茶葉， 2018， 40（1）： 1-4.

[ 5 ] 江超， 岳志陽， 王貝貝. 計(jì)算機(jī)智能化技術(shù)在農(nóng)業(yè)機(jī)械自動(dòng)化中的應(yīng)用[J]. 南方農(nóng)機(jī)， 2022， 53（24）： 67-69.

[ 6 ] 傅隆生， 宋珍珍， Zhang Xin， 等. 深度學(xué)習(xí)方法在農(nóng)業(yè)信息中的研究進(jìn)展與應(yīng)用現(xiàn)狀[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 25（2）： 105-120.

Fu Longsheng， Song Zhenzhen， Zhang Xin， et al. Applications and research progress of deep learning in agriculture [J]. Journal of China Agricultural University， 2020， 25（2）： 105-120.

[ 7 ] 賈江鳴， 葉玉澤， 程培林， 等. 手持式名優(yōu)茶嫩梢采摘機(jī)械手設(shè)計(jì)與試驗(yàn)優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 86-92.

Jia Jiangming， Ye Yuze， Cheng Peilin， et al. Design and experimental optimization of hand?held manipulator for picking famous tea shoot [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 86-92.

[ 8 ] 范元瑞. 并聯(lián)式自動(dòng)采茶機(jī)的設(shè)計(jì)與研究[D]. 青島： 青島科技大學(xué)， 2019.

Fan Yuanrui. Design and research of automatictea picking machine basedon parallel robot [D]. Qingdao： Qingdao University of Science and Technology， 2019.

[ 9 ] 尚凱歌. 茶葉采摘機(jī)器人機(jī)械結(jié)構(gòu)設(shè)計(jì)及控制系統(tǒng)研究[D]. 長春： 長春理工大學(xué)， 2019.

Shang Kaige. Mechanical structure design and control system research of tea?picking robot [D]. Changchun： Changchun University of Science and Technology， 2019.

[10] 羅坤， 吳正敏， 曹成茂， 等. 茶鮮葉嫩梢捏切組合式采摘器設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（13）： 1-9.

Luo Kun， Wu Zhengmin， Cao Chengmao， et al. Design and experiment of the combined pinch and cut picker for tea fresh leaf tips [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（13）： 1-9.

[11] 許麗佳， 劉琦， 代建武， 等. 茶葉嫩梢采摘末端執(zhí)行器的設(shè)計(jì)研究[J]. 茶葉科學(xué)， 2021， 41（5）： 705-716.

Xu Lijia， Liu Qi， Dai Jianwu， et al. Design of end effector for picking tea shoots [J]. Journal of Tea Science， 2021， 41（5）： 705-716.

[12] 原艷芳. 名優(yōu)茶采摘機(jī)械手與采摘策略研究[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 2017.

Yuan Yanfang. Research on the picking manipulator of famous teaand picking strategy [D]. Wuhan： Huazhong Agricultural University， 2017.

[13] 陳勇， 郝淼， 潘志剛， 等. 茶葉仿生采摘指[P]. 中國專利： CN107006218B， 2019-05-21.

[14] 郝淼， 陳勇， 潘志剛， 等. 名優(yōu)綠茶仿生采摘指研制[J]. 食品與機(jī)械， 2018， 34（10）： 86-90.

[15] 林桂潮， 陳定賢， 鐘凱勇， 等. 基于機(jī)器視覺的雙機(jī)械臂茶葉采摘機(jī)器人[P]. 中國專利： CN114731840B， 2022-04-07.

[16] 吳雪梅， 唐仙， 張富貴， 等. 基于K-means聚類法的茶葉嫩芽識別研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2015， 36（5）： 161-164.

Wu Xuemei， Tang Xian， Zhang Fugui， et al. Tea buds image identification based on lab color model and K-means clustering [J]. Journal of Chinese Agricultural Mechanization， 2015， 36（5）： 161-164.

[17] 張可， 呂軍. 自然條件下茶葉嫩芽圖像分割方法的研究[J]. 黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)， 2016， 28（2）： 100-104.

Zhng Ke， Lü Jun. Study on automatic segmentation of tea sprouts under natural conditions [J]. Journal of Heilongjiang Bayi Agricultural University， 2016， 28（2）： 100-104.

[18] Zhang Lei， Zou Lang， Wu Chuanyu， et al. Method of famous tea sprout identification and segmentation based on improved watershed algorithm [J]. Computers and Electronics in Agriculture， 2021， 184： 106108.

[19] 韋佳佳. 名優(yōu)茶機(jī)械化采摘中嫩芽識別方法的研究[D]. 南京： 南京林業(yè)大學(xué)， 2012.

Wei Jiajia. Researches on high?quality tea flushes identification for mechanical?plucking [D]. Nanjing： Nanjing Forestry University， 2012.

[20] 黃海軍， 吳明暉， 王先偉， 等. 基于改進(jìn)分水嶺算法的茶葉嫩葉圖像識別[J]. 貴州農(nóng)業(yè)科學(xué)， 2018， 46（4）： 136-138.

[21] Tian Jun， Zhu Honglin， Liang Wenjiang， et al. Research on the application of machine vision in tea autonomous picking [J]. Journal of physics Conference Series， 2021， 1952（2）： 22063.

[22] 許高建， 張?zhí)N， 賴小燚. 基于Faster R-CNN深度網(wǎng)絡(luò)的茶葉嫩芽圖像識別方法[J]. 光電子·激光， 2020， 31（11）： 1131-1139.

Xu Gaojian， Zhang Yun， Lai Xiaoyi. Recogniti on approaches of tea bud image based on Faster R-CNN depth network [J]. Journal of Optoelectronics·Laser， 2020， 31（11）： 1131-1139.

[23] Yang Hualin， Chen Long， Chen Miaoting， et al. Tender tea shoots recognition and positioning for picking robot using improved YOLO-v3 model [J]. IEEE Access， 2019， 7： 180998-181011.

[24] 孫肖肖， 牟少敏， 許永玉， 等. 基于深度學(xué)習(xí)的復(fù)雜背景下茶葉嫩芽檢測算法[J]. 河北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2019， 39（2）： 211-216.

Sun Xiaoxiao， Mou Shaomin， Xu Yongyu， et al. Detection algorithm of tea tender buds under complexbackground based on deep learning [J]. Journal of Hebei University （Natural Science）， 2019， 39（2）： 211-216.

[25] 張晴晴. 基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹嫩芽識別研究[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2020.

Zhang Qingqing. Research on tea bud recognition based on convolutional neural network [D]. Hefei： Anhui Agricultural University， 2020.

[26] 張浩， 陳勇， 汪巍， 等. 基于主動(dòng)計(jì)算機(jī)視覺的茶葉采摘定位技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（9）： 61-65.

Zhang Hao， Chen Yong， Wang Wei， et al. Positioning method for tea picking using active computer vision [J]. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（9）： 61-65.

[27] 龍樟， 姜倩， 王健， 等. 茶葉嫩芽視覺識別與采摘點(diǎn)定位方法研究[J]. 傳感器與微系統(tǒng)， 2022， 41（2）： 39-41.

[28] 鄒浪. 基于視覺的名優(yōu)綠茶識別及采摘路徑規(guī)劃[D]. 杭州： 浙江理工大學(xué)， 2021.

Zou Lang. Identification and picking path planning of famous green tea based on vision [D]. Hangzhou： Zhejiang University of Science and Technology， 2021.

[29] 姜宏濤， 何博俠， 章亞非. 采茶機(jī)械手嫩芽識別與定位方法研究[J]. 機(jī)械與電子， 2021， 39（7）： 60-64.

Jiang Hongtao， He Boxia， Zhang Yafei. Research on the method of recognizing and positioning the shoots of the tea picking manipulator [J]. Machinery amp; Electronics， 2021， 39（7）： 60-64.

[30] 王鵬. 并聯(lián)采茶機(jī)器人識別與定位技術(shù)研究[D]. 成都： 西華大學(xué)， 2022.

Wang Peng. Research on identification and positioning technology of parallel tea picking robot [D]. Chengdu： Xihua University， 2022.

[31] 楊俊成， 李淑霞， 蔡增玉. 路徑規(guī)劃算法的研究與發(fā)展[J]. 控制工程， 2017， 24（7）： 1473-1480.

[32] 吉根林. 遺傳算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2004（2）： 69-73.

[33] 陳龍. 茶葉嫩芽視覺識別與采摘技術(shù)研究[D]. 青島： 青島科技大學(xué)， 2021.

Chen Long. Study on visual recongnition and picking technology of tender tea buds [D]. Qingdao： Qingdao University of Science and Technology， 2021.

[34] 鮑偉. 基于深度學(xué)習(xí)的茶葉嫩梢檢測及其采摘路徑規(guī)劃[D]. 杭州： 浙江理工大學(xué)， 2021.

Bao Wei. Tea buds detection based on deep learning and its picking path planning [D]. Hangzhou： Zhejiang University of Science and Technology， 2021.

[35] 李亞濤. 茶葉采摘機(jī)器人的視覺檢測與定位技術(shù)研究[D]. 杭州： 浙江理工大學(xué)， 2022.

Li Yatao. Research on the visual detection and localization technology of tea harvesting robot [D]. Hangzhou： Zhejiang University of Science and Technology， 2022.

[36] Wang Guangjun， Zhao Yi， Wang Zhi. Tea picking path planning based on ant colony algorithm [C]. 2022 41st Chinese Control Conference（CCC）. IEEE， 2022： 1945-1950.

[37] 原艷芳， 鄭相周， 林衛(wèi)國. 名優(yōu)茶采摘機(jī)器人路徑規(guī)劃[J]. 安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 44（3）： 530-535.

Yuan Yanfang， Zheng Xiangzhou， Lin Weiguo. Path planning of picking robot for famous tea [J]. Journal of Anhui Agricultural University， 2017， 44（3）： 530-535.

[38] 汪小名. 茶葉嫩芽信息感知與采摘機(jī)理研究[D]. 廣州： 華南農(nóng)業(yè)大學(xué)， 2022.

Wang Xiaoming. Research on tea shoots information perception and harvesting mechanism [D]. Guangzhou： South China Agricultural University， 2022.

[39] 蔡光躍， 董恩清. 遺傳算法和蟻群算法在求解TSP問題上的對比分析[J]. 計(jì)算機(jī)工程與應(yīng)用， 2007， 43（10）： 96-98.