名優(yōu)茶采摘機(jī)器人關(guān)鍵技術(shù)研究

陳光明 毛奔 章永年

摘要：目前我國(guó)仍采用傳統(tǒng)的人工方式采摘名優(yōu)茶，實(shí)現(xiàn)名優(yōu)茶機(jī)械化、智能化、高效率采摘成為當(dāng)前一個(gè)研究熱點(diǎn)。從名優(yōu)茶嫩芽的識(shí)別和定位、機(jī)械臂的設(shè)計(jì)、末端執(zhí)行器的設(shè)計(jì)等方面，介紹國(guó)內(nèi)外名優(yōu)茶采摘機(jī)器人的研究進(jìn)展、特點(diǎn)，指出當(dāng)前采茶機(jī)器人存在識(shí)別定位較差、采摘速度較慢等問(wèn)題。研發(fā)具有普適性和通用性的嫩芽識(shí)別定位算法、高效的采摘機(jī)械臂及其控制系統(tǒng)、具有保護(hù)性的柔性末端執(zhí)行器都是未來(lái)名優(yōu)茶采摘機(jī)器人需要解決的關(guān)鍵問(wèn)題。

關(guān)鍵詞：名優(yōu)茶采摘；茶葉嫩芽檢測(cè)；機(jī)械臂；末端執(zhí)行器

中圖分類號(hào)：S225.99： TP242.6

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2023） 12017406

Research on key technologies of famous tea picking robot

Chen Guangming1， 2， Mao Ben1， Zhang Yongnian1， 2

（1. College of Engineering， Nanjing Agricultural University， Nanjing， 210031， China；

2. Jiangsu Key Laboratory of Intelligent Agricultural Equipment， Nanjing， 210031， China）

Abstract：

At present， China still adopts the traditional manual method of picking famous tea， and the mechanized， intelligent and efficient picking of famous tea has become a research hotspot. In this paper， the research progress and characteristics of famous tea picking robots at home and abroad are analyzed from the aspects of identification and positioning of famous and high-quality tea buds， the design of robotic arms， and the design of end effectors， and it is pointed out that the current tea picking robots have problems such as poor recognition and positioning and slow picking speed.The research and development of universal and versatile bud recognition and positioning algorithms， efficient picking manipulators and their control systems， and protective flexible end-effectors are the key problems to be solved in the future of famous and high-quality tea picking robots.

Keywords：

famous tea picking; tea bud detection; picking manipulator; end effector

0 引言

茶葉是中國(guó)的重要飲品之一，飲茶文化歷史深厚。隨著國(guó)內(nèi)經(jīng)濟(jì)的繁榮，人們對(duì)名優(yōu)茶的需求也在穩(wěn)步提高。而茶葉是一種季節(jié)性非常強(qiáng)的農(nóng)作物，茶葉的采摘周期短，采茶工人勞動(dòng)強(qiáng)度大。當(dāng)前農(nóng)業(yè)勞動(dòng)力的流失，嚴(yán)重影響了茶產(chǎn)業(yè)的發(fā)展。因此，研究名優(yōu)茶采摘機(jī)器人對(duì)茶產(chǎn)業(yè)的發(fā)展有重要的意義。

采茶機(jī)械最早是日本等西方發(fā)達(dá)國(guó)家開始研究的，經(jīng)過(guò)多年的研究國(guó)內(nèi)外已經(jīng)基本實(shí)現(xiàn)了大宗茶機(jī)械化采摘，其中往復(fù)切割式采茶機(jī)由于出色性能得到廣泛應(yīng)用［1］。例如1980年中國(guó)農(nóng)業(yè)科學(xué)院茶葉研究所研制了雙人往復(fù)切割式采茶機(jī)；2012年農(nóng)業(yè)部南京農(nóng)業(yè)機(jī)械化研究所研制了4CJ-20型乘坐自走式全自動(dòng)采茶機(jī)；2020年安徽農(nóng)業(yè)大學(xué)研制了一種履帶式智能采茶機(jī)器人。大宗茶采茶機(jī)的出現(xiàn)有效地解決了人工緊缺的問(wèn)題，減少了采摘不及時(shí)造成的損失，但大宗茶采茶機(jī)一刀切的采摘方式會(huì)導(dǎo)致采摘的茶葉嫩芽完整度差、夾雜老葉等問(wèn)題，這樣的茶葉并不符合名優(yōu)茶的標(biāo)準(zhǔn)。高檔名優(yōu)茶對(duì)茶葉的品質(zhì)要求極為嚴(yán)格，而現(xiàn)有的采茶設(shè)備無(wú)法滿足名優(yōu)茶采摘要求，所以當(dāng)前依然以人工方式進(jìn)行采摘［2］。為了改善名優(yōu)茶只有人工采摘的現(xiàn)狀，國(guó)內(nèi)的高校和科研院所對(duì)名優(yōu)茶采摘的智能裝備展開了初步研究。

名優(yōu)茶采摘機(jī)器人的設(shè)計(jì)是多學(xué)科技術(shù)的融合，視覺(jué)系統(tǒng)識(shí)別定位茶葉嫩梢是有選擇采摘的前提；移動(dòng)速度快、定位精度高的機(jī)械臂是保證采摘效率的關(guān)鍵；適用于名優(yōu)茶采摘的柔性末端執(zhí)行機(jī)構(gòu)是保證茶葉品質(zhì)的關(guān)鍵；同時(shí)研制適用于茶園復(fù)雜路面情況的自走式底盤也至關(guān)重要。本文通過(guò)名優(yōu)茶嫩芽的識(shí)別和定位、機(jī)械臂的設(shè)計(jì)、末端執(zhí)行器的設(shè)計(jì)等方面對(duì)國(guó)內(nèi)外的研究現(xiàn)狀進(jìn)行分析并提出展望，對(duì)未來(lái)名優(yōu)茶采摘機(jī)器人的設(shè)計(jì)研究提供參考。

1 茶葉嫩芽的識(shí)別與定位

隨著計(jì)算機(jī)視覺(jué)的發(fā)展，茶葉嫩芽的識(shí)別和定位也逐漸實(shí)現(xiàn)。為解決一刀切式采茶機(jī)存在的采摘無(wú)選擇性問(wèn)題，國(guó)內(nèi)各大高校、科研院對(duì)此展開了研究。

1.1 茶葉嫩芽的識(shí)別

由于茶葉嫩芽和老葉在色澤和形態(tài)上存在明顯差異，茶葉嫩芽相比于老葉顏色較淺、葉片形狀呈細(xì)長(zhǎng)狀，因此早期茶葉嫩芽圖像分割算法主要基于顏色和形狀特征進(jìn)行的。國(guó)內(nèi)對(duì)此方面的研究最早開始于2009年，楊福增等［3］基于白色背景下對(duì)午子仙毫茶葉嫩芽的顏色和形狀特征展開研究，設(shè)計(jì)了一種區(qū)分茶葉嫩芽和老葉的方法，以顏色和形狀特征為基礎(chǔ)：先以圖像中的G分量作為色彩因子，通過(guò)雙閾值法對(duì)茶葉圖像進(jìn)行分割，結(jié)合邊緣檢測(cè)的方式對(duì)茶葉嫩芽進(jìn)行識(shí)別。試驗(yàn)結(jié)果表明此方法識(shí)別茶葉嫩芽的準(zhǔn)確率達(dá)到94%，并且通過(guò)逐行掃描的方法，解決了在白色背景下重疊茶葉嫩芽的檢測(cè)。汪建［4］提出基于新梢嫩芽顏色特征對(duì)在HIS空間中，由H以及S參數(shù)選取種子，通過(guò)區(qū)域生長(zhǎng)和合并進(jìn)行分割成功識(shí)別了茶葉嫩芽。

在相比于實(shí)際采茶環(huán)境，單一背景環(huán)境下干擾因素較少，茶葉嫩芽識(shí)別成功率較高，但是實(shí)際采茶環(huán)境中的光照、自然風(fēng)等因素等都會(huì)對(duì)茶葉嫩芽識(shí)別的產(chǎn)生影響。為了消除光線對(duì)茶葉識(shí)別的影響，吳雪梅等［5］基于茶葉嫩芽與背景的G和GB顏色分量差異，通過(guò)改進(jìn)的OTSU算法確定分割閾值，并利用膨脹腐蝕算法消除噪聲。研究結(jié)果表明此算法適用于相機(jī)距離茶葉嫩芽10cm的圖像，準(zhǔn)確率達(dá)到92%以上。張可等［6］基于茶葉嫩芽的顏色特征，用聚類分割的方法識(shí)別自然條件下的茶葉嫩芽，試驗(yàn)證明此方法能夠有效地減小光照和老葉與嫩芽色差小引起的識(shí)別不準(zhǔn)確的問(wèn)題。黃濤等［7］在HSV顏色空間下，利用Tenengrad梯度值的上四分位數(shù)作為清晰度初選閾值獲取較為清晰的圖像，結(jié)合K-means聚類分割算法完成自然環(huán)境下的嫩芽圖像分割。試驗(yàn)表明在陰天和晴天的情況下，此方法能夠降低圖像欠分割和過(guò)分割的現(xiàn)象。Li等［8］在RGB顏色空間下，提出了一種支持向量機(jī)的茶葉嫩芽識(shí)別算法，將茶葉嫩芽的顏色和形狀紋理特征作為特征向量訓(xùn)練樣本，結(jié)合支持向量機(jī)的分類方法進(jìn)行圖像識(shí)別，試驗(yàn)結(jié)果表明此方法在識(shí)別率、召回率等方面性能較好。俞龍等［9］提出了一種SS-YOLOX模型用于茶葉嫩芽的識(shí)別，此模型基于YOLOX模型加入了SE模塊和Soft NMS算法。試驗(yàn)表明此模型在目標(biāo)嫩芽數(shù)量較多的情況下此模型的平均檢測(cè)精度達(dá)到了86.3%，比原模型提高了2.2%。Xu等［10］結(jié)合YOLOv3的快速檢測(cè)能力和DenseNet201的高精度分類能力，實(shí)現(xiàn)了對(duì)茶芽的準(zhǔn)確檢測(cè)。試驗(yàn)結(jié)果表明，該方法對(duì)側(cè)側(cè)面拍攝的茶芽圖像的檢測(cè)準(zhǔn)確率為95.71%，頂部拍攝的圖像檢測(cè)準(zhǔn)確率提高了10.60%。

1.2 茶葉嫩芽采摘點(diǎn)的定位

在視覺(jué)系統(tǒng)識(shí)別茶葉嫩芽的前提下，進(jìn)一步確定茶葉嫩芽的采摘位置是完成嫩芽采摘的重要環(huán)節(jié)。2012年韋佳佳等［11］研究了茶葉嫩芽在5種顏色空間的表現(xiàn)，并提取了便于區(qū)分嫩芽和背景的色彩因子，經(jīng)過(guò)灰度化處理、二值化分割和濾波處理后成功識(shí)別出茶葉嫩芽，并且通過(guò)質(zhì)心法得到了茶葉嫩芽的中心采摘位置。張浩等［12］提出了一種茶葉嫩芽識(shí)別與定位的方法，即基于新梢嫩芽顏色特征通過(guò)主動(dòng)視覺(jué)技術(shù)識(shí)別茶葉嫩芽，并獲取嫩芽的二維位置信息，然后基于光柵投影輪廓術(shù)進(jìn)一步確定目標(biāo)新梢嫩芽的高度信息，以實(shí)現(xiàn)自然條件下茶葉嫩梢的定位。裴偉等［13］通過(guò)尋找分割后的茶葉嫩芽的最小外接矩陣，以最小外接矩陣的中心點(diǎn)作為采摘點(diǎn)。陳妙婷［14］基于茶葉的顏色和紋理特征識(shí)別嫩芽，通過(guò)對(duì)預(yù)測(cè)框內(nèi)的嫩芽圖像提取骨架，尋找骨架最下方點(diǎn)來(lái)判斷嫩芽采摘點(diǎn)的位置。試驗(yàn)表明此方法能夠準(zhǔn)確地識(shí)別茶葉嫩芽，定位采摘點(diǎn)。姜宏濤等［15］通過(guò)分析茶葉嫩芽的顏色特征發(fā)現(xiàn)，GB分量能明顯區(qū)分茶葉嫩芽和背景，將BM3D去噪算法和灰度拉伸法引入傳統(tǒng)分水嶺算法中完成圖像分割，茶葉嫩芽的最小外接矩陣與茶梗的交點(diǎn)作為嫩芽的采摘點(diǎn)，通過(guò)SURF算法提取特征點(diǎn)，結(jié)合雙目相機(jī)測(cè)距原理獲得采摘點(diǎn)三維坐標(biāo)。龍樟等［16］在自然場(chǎng)景下基于超綠特征提出了一種茶葉嫩芽的圖像分割方法，圖像預(yù)處理后利用OTSU法完成嫩芽圖像的分割，同時(shí)結(jié)合邊緣檢測(cè)和骨架化處理后獲取采摘點(diǎn)在圖像中的像素坐標(biāo)。Chen等［1718］基于深度學(xué)習(xí)提出了一種茶葉嫩芽采摘點(diǎn)識(shí)別的算法，利用基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（faster R-CNN）來(lái)識(shí)別圖像中的茶葉嫩芽，隨后通過(guò)全卷積網(wǎng)絡(luò)（FCN）識(shí)別茶葉嫩芽的采摘點(diǎn)。試驗(yàn)表明：嫩芽識(shí)別的準(zhǔn)確率為79%，采摘點(diǎn)識(shí)別的平均準(zhǔn)確率為84.91%。Wang等［19］提出了一種基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（R-CNN），建立了茶葉嫩芽采摘點(diǎn)的識(shí)別模型。利用Resnet50殘差網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)（FPN）提取茶芽和茶葉特征，并通過(guò)區(qū)域提議網(wǎng)絡(luò)（RPN）對(duì)特征圖進(jìn)行初步分類和預(yù)選框回歸訓(xùn)練。利用區(qū)域特征聚合方法（RolAlign）消除量化誤差，將預(yù)選感興趣區(qū)域（Rol）的特征圖轉(zhuǎn)換為固定大小的特征圖，通過(guò)輸出的掩模圖像和定位算法確定茶芽和茶葉采摘點(diǎn)的位置。試驗(yàn)結(jié)果表明，該方法的平均檢測(cè)準(zhǔn)確率達(dá)到93.95%，召回率達(dá)到92.48%。

綜上所述，茶葉嫩芽識(shí)別算法主要基于傳統(tǒng)圖像處理技術(shù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)三種技術(shù)完成嫩芽的識(shí)別。傳統(tǒng)圖像處理方法需要在一種或多種顏色空間的顏色分量中進(jìn)行圖像的分割，光照的不同對(duì)分割結(jié)果有很大的影響，在多種圖像分割方法中大律法（OTSU）能夠很好地處理光照對(duì)圖像分割的影響，其處理圖像直方圖雙峰分布下的圖像效果最佳。在基于機(jī)器學(xué)習(xí)的嫩芽識(shí)別算法中，常用無(wú)監(jiān)督學(xué)習(xí)的K-means聚類算法和有監(jiān)督學(xué)習(xí)的支持向量機(jī)分類法（SVM），其特征樣本數(shù)據(jù)訓(xùn)練的時(shí)間短。而基于深度學(xué)習(xí)的圖像識(shí)別算法適用于較為復(fù)雜的自然環(huán)境下，如果樣本量足夠大，其不僅能準(zhǔn)確識(shí)別茶葉嫩梢，同時(shí)也能精確地區(qū)分出名優(yōu)茶的類型（單芽、一芽一葉），具有較強(qiáng)的魯棒性，雖然前期樣本訓(xùn)練的時(shí)間較長(zhǎng)，但檢測(cè)所需時(shí)間短，效果較好。

2 采茶機(jī)械臂

為了提高名優(yōu)茶采摘機(jī)器人在茶園中的行走通過(guò)性，目前國(guó)內(nèi)主要采用履帶式跨茶壟底盤，履帶式底盤能夠適用茶園地形環(huán)境的復(fù)雜性，如長(zhǎng)春理工大學(xué)設(shè)計(jì)的履帶自走式采茶機(jī)器人、青島科技大學(xué)設(shè)計(jì)的跨壟式移動(dòng)底盤。視覺(jué)系統(tǒng)在完成茶葉嫩芽識(shí)別與定位后，將嫩芽的位置信息傳輸?shù)綑C(jī)械臂，機(jī)械臂帶動(dòng)末端執(zhí)行器到達(dá)采摘位置。為了保證采茶精準(zhǔn)度和效率，國(guó)內(nèi)外采茶機(jī)器人常借鑒的工業(yè)機(jī)器人結(jié)構(gòu)設(shè)計(jì)采摘嫩芽的機(jī)械臂。應(yīng)用到茶葉采摘的工業(yè)機(jī)械臂主要分為三種：串聯(lián)機(jī)器人、并聯(lián)機(jī)器人和直角機(jī)器人。

2.1 串聯(lián)機(jī)器人

串聯(lián)機(jī)器人技術(shù)成熟、工作空間大、結(jié)構(gòu)簡(jiǎn)單、制造成本低、控制簡(jiǎn)單、在農(nóng)業(yè)領(lǐng)域應(yīng)用廣泛，目前現(xiàn)有的果蔬菜采摘機(jī)器人大多采用串聯(lián)機(jī)器人作為機(jī)械臂的主體。近年來(lái)采茶機(jī)器人也采用串聯(lián)機(jī)器人作為采摘茶葉的機(jī)械臂主體。汪琳［20］提出以SCARA機(jī)器人作為的采茶機(jī)器人手臂，并采用多個(gè)SCARA機(jī)器人同時(shí)進(jìn)行采摘作業(yè)，以提高茶葉采摘效率和質(zhì)量，如圖1（a）所示。其提出使用五次多項(xiàng)式插值法對(duì)SCARA機(jī)器人點(diǎn)到點(diǎn)的運(yùn)動(dòng)軌跡進(jìn)行規(guī)劃，并設(shè)計(jì)了自適應(yīng)魯棒PD控制器，仿真結(jié)果表明自適應(yīng)魯棒PD控制器能夠很好地應(yīng)用于SCARA機(jī)器人。段勇強(qiáng)［21］采用六自由度串聯(lián)機(jī)器人作為采摘機(jī)械臂，并使用PSO算法進(jìn)行路徑規(guī)劃，仿真結(jié)果表明此算法適用于采摘路徑的規(guī)劃，如圖1（b）所示。

2.2 并聯(lián)機(jī)器人

并聯(lián)機(jī)器人具有較強(qiáng)的承載能力、較高的精度和較小的末端運(yùn)動(dòng)慣性，它既能保證采摘效率也能保證采摘精度，非常適合作為采摘茶葉的機(jī)械臂主體。高鳳［22］選擇Delta機(jī)構(gòu)作為機(jī)器人主體結(jié)構(gòu)，并進(jìn)行了機(jī)器人的結(jié)構(gòu)設(shè)計(jì)，如圖2（a）所示。其利用雅克比矩陣確定了機(jī)器人奇異位置，經(jīng)過(guò)運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)分析，確定了其機(jī)械臂的工作空間。尚凱歌［23］設(shè)計(jì)了一種多臂跨壟式的茶葉采摘機(jī)器人，采用Delta機(jī)構(gòu)作為機(jī)械臂部分，并對(duì)其工作空間和運(yùn)動(dòng)學(xué)仿真進(jìn)行了研究分析，以此證明其滿足茶葉采摘的需求，如圖2（b）所示。

馬智斌［24］提出一種并聯(lián)式自動(dòng)采茶機(jī)，建立運(yùn)動(dòng)學(xué)模型，設(shè)計(jì)改進(jìn)了一種適用于茶葉采摘工況下的Delta機(jī)器人運(yùn)動(dòng)軌跡，并利用改良后的蟻群算法，規(guī)劃茶葉采摘路徑，如圖2（c）所示。軟件模擬采摘試驗(yàn)數(shù)據(jù)表明，最優(yōu)路徑距離相比經(jīng)典蟻群算法優(yōu)化0.8%～2%，迭代次數(shù)減少約20%，采茶機(jī)器人完成一個(gè)工作循環(huán)運(yùn)行時(shí)間相較于經(jīng)典蟻群算法減少0.24%～2.03%，相較于人工采摘減少18.54%～3.35%。

2.3 直角坐標(biāo)機(jī)器人

直角坐標(biāo)機(jī)器人具有工作空間大、制造成本低等優(yōu)點(diǎn)，適用于茶葉采摘。陸鑫等針對(duì)現(xiàn)有龍門式茶葉采摘機(jī)器人成本高、作業(yè)效率低的缺點(diǎn)，改進(jìn)設(shè)計(jì)了雙臂式采摘機(jī)器人，如圖3（a）所示。機(jī)械臂采用直角坐標(biāo)式結(jié)構(gòu)，其中X軸采用雙臂式結(jié)構(gòu)，保證了機(jī)械臂的穩(wěn)定性；試驗(yàn)結(jié)果表明：采用雙臂結(jié)構(gòu)可以大大提高茶葉的采摘效率，平均每小時(shí)完成采摘?jiǎng)幼? 581次，相比單臂效率提高了83%。郝淼［25］采用直角坐標(biāo)機(jī)器人作為采茶機(jī)械臂，其工作空間為1.4m×0.5m×0.6m能夠覆蓋整個(gè)茶壟，機(jī)械臂能夠沿著各坐標(biāo)軸以0.3m/s的速度移動(dòng)，如圖3（b）所示。

3 末端執(zhí)行器

茶葉嫩芽較為嬌弱、外形多變及生長(zhǎng)環(huán)境復(fù)雜。末端執(zhí)行器設(shè)計(jì)不僅會(huì)影響采摘機(jī)器人的整體效率和準(zhǔn)確率，同時(shí)將直接決定的茶葉嫩芽的品質(zhì)。目前人工采茶手法主要有掐采和提手采兩種方式，掐采是指利用拇指和食指將嫩芽掐斷；提手采是指利用拇指和食指捏住嫩芽的同時(shí)旋轉(zhuǎn)手腕將嫩芽拉斷。國(guó)內(nèi)外學(xué)者大多數(shù)都是依照這兩種采摘手法設(shè)計(jì)了適用于名優(yōu)茶采摘的末端執(zhí)行器。

2009年駱耀平等［26］對(duì)茶葉嫩芽的生長(zhǎng)規(guī)律進(jìn)行了研究，其中主要包括茶葉嫩芽的第一節(jié)間、第二節(jié)間與展葉角度等參數(shù)，此研究對(duì)茶葉嫩芽末端執(zhí)行器的設(shè)計(jì)具有指導(dǎo)意義。申友航［27］設(shè)計(jì)了一種茶葉單芽采茶機(jī)，采摘?jiǎng)幼鞣譃?個(gè)過(guò)程：待機(jī)、采摘、收集；采摘手指到達(dá)采摘點(diǎn)后，在電機(jī)的驅(qū)動(dòng)下手指閉合、旋轉(zhuǎn)盤帶動(dòng)閉合的采摘手指完成采摘?jiǎng)幼?，電機(jī)繼續(xù)旋轉(zhuǎn)至收集箱的位置，由于慣性采摘手指打開茶葉嫩芽落入收集箱中。

許麗佳等［28］設(shè)計(jì)了一種夾提式茶葉嫩芽末端執(zhí)行器，不同于基于機(jī)械視覺(jué)的嫩芽識(shí)別與定位，其提出根據(jù)研究一芽一葉、一芽?jī)扇~、老葉葉柄的拉斷力，對(duì)夾持件施加不同的夾持力，實(shí)現(xiàn)茶葉嫩梢有選擇的采摘茶葉。通過(guò)試驗(yàn)表明對(duì)于長(zhǎng)勢(shì)均勻茶樹棚，此結(jié)構(gòu)可以滿足有選擇性地采摘茶葉。牟順海等［29］設(shè)計(jì)的剪切式茶葉采摘末端執(zhí)行器，電機(jī)驅(qū)動(dòng)曲柄連桿機(jī)構(gòu)使刀片閉合，茶葉嫩芽被剪斷之后落入葉片收集槽中，完成采摘?jiǎng)幼?。范元瑞?0］設(shè)計(jì)的指型采摘器，安裝在并聯(lián)機(jī)器人動(dòng)平臺(tái)上，在推拉式電磁鐵驅(qū)動(dòng)柔性指尖的開合，指尖位置安裝過(guò)盈橡膠墊片，既能夾緊茶葉嫩梢，又保證了在采摘過(guò)程中不損傷茶葉嫩。劉俊峰等［31］設(shè)計(jì)了一種的提手采式的仿生采摘指機(jī)構(gòu)，采摘嫩芽時(shí)兩對(duì)夾指夾在茶葉嫩芽葉梗的不同位置，芯軸帶動(dòng)一對(duì)夾指向上移動(dòng)拉斷葉梗，另一對(duì)夾指保持不動(dòng)，完成采摘工作。試驗(yàn)結(jié)果顯示采摘成功率達(dá)到90%，如圖4（a）所示。羅坤等［32］設(shè)計(jì)了一種適用于高檔名優(yōu)茶采摘的捏切組合式末端執(zhí)行器，并且通過(guò)算法控制電機(jī)的轉(zhuǎn)動(dòng)，減小了電機(jī)的振動(dòng)，保證末端運(yùn)行的平穩(wěn)性。試驗(yàn)表明采摘器的單次作業(yè)時(shí)間小于0.6s，采摘成功率達(dá)到100%，如圖4（b）所示。Motokura等［33］設(shè)計(jì)了一種提拉式茶葉采摘機(jī)器人。機(jī)械手臂選用Jaco2，它是一個(gè)六自由度機(jī)械臂，末端有兩個(gè)手指。機(jī)械手臂通過(guò)多次學(xué)習(xí)提拉采摘茶葉的動(dòng)作，實(shí)現(xiàn)模擬人手完成采摘茶葉動(dòng)作；試驗(yàn)結(jié)果表明機(jī)械臂可以實(shí)現(xiàn)手工采摘茶葉的復(fù)雜動(dòng)作。

4 展望

縱觀國(guó)內(nèi)外名優(yōu)茶采摘機(jī)器人的研究歷程和現(xiàn)狀，大宗茶采茶機(jī)研究趨于成熟、應(yīng)用廣泛，名優(yōu)茶采摘機(jī)器人還處于研究和試驗(yàn)階段。當(dāng)前名優(yōu)茶采摘機(jī)器人的研究還存在以下問(wèn)題：在自然環(huán)境中，陽(yáng)光、自然風(fēng)、葉片遮擋、葉片重疊等因素都會(huì)對(duì)茶葉嫩芽的識(shí)別產(chǎn)生影響。隨著機(jī)器視覺(jué)的發(fā)展，消除光照對(duì)嫩芽識(shí)別影響的研究逐漸成熟，但葉片遮擋、嫩芽重疊、嫩芽晃動(dòng)等因素對(duì)識(shí)別算法的影響還需要深入研究。采摘機(jī)械臂和末端執(zhí)行器執(zhí)行采摘?jiǎng)幼魉俣容^慢，末端執(zhí)行器的結(jié)構(gòu)較為復(fù)雜且對(duì)嫩芽的保護(hù)性不夠。針對(duì)以上問(wèn)題本文提出以下展望。

4.1 建立豐富樣本數(shù)據(jù)庫(kù)，研發(fā)通用性識(shí)別算法

隨著深度學(xué)習(xí)應(yīng)用到茶葉嫩芽的識(shí)別和定位算法中，其為深入研究嫩芽識(shí)別和定位算法提供了一種可能，但深度學(xué)習(xí)需要大量的樣本數(shù)據(jù)支撐。同種茶樹在不同的地區(qū)、不同的種植模式、不同的光照條件、不同的季節(jié)中形態(tài)和顏色會(huì)存在差異，建立豐富的樣本數(shù)據(jù)庫(kù)是提高嫩芽識(shí)別和定位準(zhǔn)確性的保障，同時(shí)研發(fā)適用于名優(yōu)茶識(shí)別和定位的深度學(xué)習(xí)模型是提高算法普適性的關(guān)鍵。

4.2 研發(fā)多采摘機(jī)械臂及其控制策略

機(jī)械臂的設(shè)計(jì)是保證茶葉采摘效率和精準(zhǔn)度的關(guān)鍵因素之一，相比于其他類型機(jī)械臂并聯(lián)機(jī)構(gòu)有速度快、精度高、慣性小等優(yōu)點(diǎn)。多機(jī)械臂協(xié)同工作不僅會(huì)提高采摘的效率，也會(huì)擴(kuò)大整體的工作空間。因此研究多機(jī)械臂協(xié)同作業(yè)的控制策略是非常必要的，同時(shí)要將茶葉嫩芽因晃動(dòng)的引起的定位誤差考慮在內(nèi)。

4.3 研發(fā)高效且具有保護(hù)性的柔性末端執(zhí)行器

相比于模仿提手采設(shè)計(jì)的末端執(zhí)行器，模仿掐采的采摘?jiǎng)幼鞲欤烧獎(jiǎng)幼鹘Y(jié)束后，茶葉嫩芽的收集裝置對(duì)采摘末端執(zhí)行器整體效率會(huì)產(chǎn)生較大的影響。剛性末端執(zhí)行器破壞茶葉嫩芽的完整性，在保證采摘效率的前提下，要注重所采茶葉品質(zhì)問(wèn)題。因此設(shè)計(jì)適用于茶葉嫩芽采摘末端應(yīng)具有低自由度、結(jié)構(gòu)簡(jiǎn)單輕便、運(yùn)行速度快、具有保護(hù)性。

參 考 文 獻(xiàn)

［1］ 權(quán)啟愛(ài). 采茶機(jī)械的研制和我國(guó)采茶機(jī)械化事業(yè)的發(fā)展［J］. 中國(guó)茶葉， 2018， 40（8）： 14-17.

［2］ 唐力新. 浙江名茶［M］. 杭州： 浙江工商大學(xué)出版社， 2017.

［3］ 楊福增， 楊亮亮， 田艷娜， 等. 基于顏色和形狀特征的茶葉嫩芽識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2009， 40（S1）： 119-123.

Yang Fuzeng， Yang Liangliang， Tian Yanna， et al. Recognition of the tea sprout based on color and shape features ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2009， 40（S1）： 119-123.

［4］ 汪建. 結(jié)合顏色和區(qū)域生長(zhǎng)的茶葉圖像分割算法研究［J］. 茶葉科學(xué)， 2011， 31（1）： 72-77.

Wang Jian. Segmentation algorithm of tea combined with the color and region growing ［J］. Journal of Tea Science， 2011， 31（1）： 72-77.

［5］ 吳雪梅， 張富貴， 呂敬堂. 基于圖像顏色信息的茶葉嫩葉識(shí)別方法研究［J］. 茶葉科學(xué)， 2013， 33（6）： 584-589.

Wu Xuemei， Zhang Fugui， Lü Jingtang. Research on recognition of tea tender leaf based on image color information ［J］. Journal of Tea Science， 2013， 33（6）： 584-589.

［6］ 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.

Zhang 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.

［7］ 黃濤， 方夢(mèng)瑞， 夏華鵾， 等. 基于清晰度的茶葉嫩芽聚類分割方法［J］. 湖北農(nóng)業(yè)科學(xué)， 2020， 59（8）： 154-157.

Huang Tao， Fang Mengrui， Xia Huakun， et al. Method of clustering segmentation for tea sprouts based on sharpness function ［J］. Hubei Agricultural Sciences， 2020， 59（8）： 154-157.

［8］ Li W， Chen R， Gao Y. Automatic recognition of tea bud image based on support vector machine ［C］. Advanced Hybrid Information Processing： 4th EAI International Conference， ADHIP 2020， Binzhou， China， September 26-27， 2020， Proceedings， Part II 4. Springer International Publishing， 2021： 279-290.

［9］ 俞龍， 黃楚斌， 唐勁馳， 等. 基于YOLOX改進(jìn)模型的茶葉嫩芽識(shí)別方法［J］. 廣東農(nóng)業(yè)科學(xué)， 2022， 49（7）： 49-56.

Yu Long， Huang Chubin， Tang Jinchi， et al. Tea bud recognition method based on improved YOLOX model ［J］. Guangdong Agricultural Sciences， 2022， 49（7）： 49-56.

［10］ Xu W， Zhao L， Li J， et al. Detection and classification of tea buds based on deep learning ［J］. Computers and Electronics in Agriculture， 2022， 192： 106547.

［11］ 韋佳佳， 陳勇， 金小俊， 等. 自然環(huán)境下茶樹嫩梢識(shí)別方法研究［J］. 茶葉科學(xué)， 2012， 32（5）： 377-381.

Wei Jiajia， Chen Yong， Jin Xiaojun， et al. Researches on tender tea shoots identification under natural conditions ［J］. Journal of Tea Science， 2012， 32（5）： 377-381.

［12］ 張浩， 陳勇， 汪巍， 等. 基于主動(dòng)計(jì)算機(jī)視覺(jué)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， 78.

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， 78.

［13］ 裴偉， 王曉林. 基于圖像信息的茶葉二維采摘坐標(biāo)的提?。跩］. 浙江農(nóng)業(yè)學(xué)報(bào)， 2016， 28（3）： 522-527.

Pei Wei， Wang Xiaolin. The two-dimension coordinates extraction of tea shoots picking based on image information ［J］. Acta Agricultural Zhejiangensis， 2016， 28（3）： 522-527.

［14］ 陳妙婷. 基于計(jì)算機(jī)視覺(jué)的名優(yōu)茶嫩芽識(shí)別與定位［D］. 青島： 青島科技大學(xué)， 2019.

Chen Miaoting. Recognition and location of high-quality tea buds based on computer vision ［D］. Qingdao： Qingdao University of Science and Technology， 2019.

［15］ 姜宏濤， 何博俠， 章亞非. 采茶機(jī)械手嫩芽識(shí)別與定位方法研究［J］. 機(jī)械與電子， 2021， 39（7）： 60-64， 69.

Jiang Hongtao， He Boxia， Zhang Yafei. Research on the method of recognizing and positioning the shoots of the tea picking manipulator ［J］. Machinery & Electronics， 2021， 39（7）： 60-64， 69.

［16］ 龍樟， 姜倩， 王健， 等. 茶葉嫩芽視覺(jué)識(shí)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， 45.

Long Zhang， Jiang Qian， Wang Jian， et al. Research on method of tea flushes vision recognition and picking point localization ［J］. Transducer and Microsystem Technologies， 2022， 41（2）： 39-41， 45.

［17］ Chen Y T， Wu C C， Chen S F. Application of deep learning algorithm on tea shoot identification and localization ［C］. Annual International Meeting of the American Society of Agricultural and Biological Engineers， 2018.

［18］ Chen Y T， Chen S F. Localizing plucking points of tea leaves using deep convolutional neural networks ［J］. Computers and Electronics in Agriculture， 2020， 171： 105298.

［19］ Wang T， Zhang K， Zhang W， et al. Tea picking point detection and location based on Mask-RCNN ［J］. Information Processing in Agriculture， 2021.

［20］ 汪琳. 基于SCARA機(jī)械手的采茶機(jī)器人研究［D］. 合肥： 中國(guó)科學(xué)技術(shù)大學(xué)， 2020.

Wang Lin. Research on the tea picking robot based on SCARA manipulators ［D］. Hefei： University of Science and Technology of China， 2020.

［21］ 段勇強(qiáng). 基于機(jī)器視覺(jué)的智能采茶機(jī)械手控制系統(tǒng)研究［D］. 恩施： 湖北民族大學(xué)， 2021.

Duan Yongqiang. Research on intelligent tea picking manipulator control based on machine vision system ［D］. Enshi： Hubei Minzu University， 2021.

［22］ 高鳳. 名優(yōu)茶并聯(lián)采摘機(jī)器人結(jié)構(gòu)設(shè)計(jì)與仿真［D］. 南京： 南京林業(yè)大學(xué)， 2013.

Gao Feng. Structural design and simulation of a high-quality tea parallel plucking robot ［D］. Nanjing： Nanjing Forestry University， 2013.

［23］ 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(zhǎng)春： 長(zhǎng)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.

［24］ 馬智斌. 并聯(lián)式自動(dòng)采茶機(jī)控制系統(tǒng)研究［D］. 青島： 青島科技大學(xué)， 2020.

Ma Zhibin. Research on control system of parallel automatic tea-picking machine ［D］. Qingdao： Qingdao University of Science and Technology， 2020.

［25］ 郝淼. 高檔名優(yōu)綠茶嫩芽識(shí)別與仿生采摘指研究［D］. 南京： 南京林業(yè)大學(xué)， 2019.

Hao Miao. Researches on the identification of tender leaves and bionic plucking fingers for high-quality green tea ［D］. Nanjing： Nanjing Forestry University， 2019.

［26］ 駱耀平， 宋婷婷， 文東華， 等. 茶樹新梢節(jié)間與展葉角度生長(zhǎng)變化及對(duì)名優(yōu)茶機(jī)采的影響［J］. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2009， 35（4）： 420-424.

Luo Yaoping， Song Tingting， Wen Donghua， et al. Effect of internode length and blade angle of newly for med tea shoots on machine-plucking performance of high quality tea ［J］. Journal of Zhejiang University （Agriculture and Life Sciences）， 2009， 35（4）： 420-424.

［27］ 申友航. 茶葉單芽采茶機(jī)［P］. 中國(guó)專利： CN107580869A， 2018-01-16.

［28］ 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.

［29］ 牟順海， 李少華. 茶葉采摘機(jī)器手采摘剪刀設(shè)計(jì)及仿真［J］. 西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 39（6）： 55-58.

Mou Shunhai， Li Shaohua. Design and simulation of hand-picking scissors of tea picking machine ［J］. Journal of Southwest China Normal University （Natural Science Edition）， 2014， 39（6）： 55-58.

［30］ 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 automatic tea picking machine based on parallel robot ［D］. Qingdao： Qingdao University of Science and Technology， 2019.

［31］ 劉俊鋒， 潘志剛， 陳勇， 等. 高檔名優(yōu)綠茶仿生采摘指氣動(dòng)控制系統(tǒng)研制［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（3）： 166-170， 188.

Liu Junfeng， Pan Zhigang， Chen Yong， et al. Development of the pneumatic control system for the bionic plucking fingers for high-quality green tea ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（3）： 166-170， 188.

［32］ 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.

［33］ Motokura K， Takahashi M， Ewerton M， et al. Plucking motions for tea harvesting robots using probabilistic movement primitives ［J］. IEEE Robotics and Automation Letters， 2020， 5（2）： 3275-3282.