茶園生產(chǎn)全程機(jī)械化研究進(jìn)展

摘要：茶園生產(chǎn)全程機(jī)械化是我國(guó)茶產(chǎn)業(yè)發(fā)展的必然趨勢(shì)，通過推廣選用合適的機(jī)械裝備與建立適宜的全程機(jī)械化生產(chǎn)作業(yè)模式可提高茶園生產(chǎn)管理效率，節(jié)本增效。文章對(duì)近年茶園生產(chǎn)全程機(jī)械化技術(shù)與裝備研究現(xiàn)狀進(jìn)行梳理，歸納總結(jié)茶園生產(chǎn)全程機(jī)械化發(fā)展瓶頸與挑戰(zhàn)，并展望未來發(fā)展趨勢(shì)，為茶園生產(chǎn)全程機(jī)械化技術(shù)研究與體系建立提供參考。

關(guān)鍵詞：茶葉；茶園機(jī)械化；茶園耕作；茶園施肥；茶葉采摘

中圖分類號(hào)：TS272.5；TB4" " " " " " " " " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " " " " " " " " " " " " " " " " 文章編號(hào)：1000－3150（2024）04-08-10

Research Progress of Tea Production Mechanization

CHEN Jia， JIANG Qinghai， HAN Yu， ZHAN Caixue， CHEN Bin， REN Caihong， SONG Zhiyu*

Nanjing Institute of Agricultural Mechanization， Ministry of Agriculture and Rural Affairs， Nanjing 210014， China

Abstract： The full process mechanization of tea plantation and production is an inevitable trend of the tea industry development in China. It can promote the efficiency of tea plantation production and management by spreading mechanized equipment and establishing suitable mechanized production operation mode， to save costs and increase benefits. This paper summarized the research status of tea plantation production mechanization technology and equipment in recent years， generalized the bottlenecks and challenges of tea plantation production mechanization development， and looked forward to future development trends， providing reference for the research of tea plantation production mechanization technology and system establishment.

Keywords： tea， tea plantation mechanization， tea plantation cultivation， tea plantation fertilization， tea plucking

我國(guó)是世界上最大的茶葉生產(chǎn)國(guó)和消費(fèi)國(guó)，2022年，我國(guó)茶園面積達(dá)333.03萬hm2，全國(guó)干毛茶總產(chǎn)量318.1萬t，總產(chǎn)值3 180.68億元[1]。茶園管理是茶葉生產(chǎn)的重要環(huán)節(jié)，是提高茶葉產(chǎn)量、質(zhì)量和經(jīng)濟(jì)效益的前提和基礎(chǔ)[2]。我國(guó)茶園管理與作業(yè)具有季節(jié)性，存在勞動(dòng)強(qiáng)度大、人工效率低、勞動(dòng)力季節(jié)性短缺、作業(yè)條件相對(duì)惡劣等問題，制約了茶產(chǎn)業(yè)進(jìn)一步發(fā)展。在這些問題導(dǎo)向下，推廣與應(yīng)用茶葉生產(chǎn)機(jī)械化技術(shù)裝備，建立高效低損的茶葉生產(chǎn)全程機(jī)械化體系為當(dāng)前之要?jiǎng)?wù)[3-4]。

茶園生產(chǎn)主要包括耕作、除草、施肥、植保、修剪、轉(zhuǎn)運(yùn)等環(huán)節(jié)，各環(huán)節(jié)機(jī)械化程度發(fā)展不平衡，目前除草、植保、修剪等茶園機(jī)械的保有量占比較大，采摘機(jī)械仍存在較大供需缺口。本文主要對(duì)近年茶園生產(chǎn)全程機(jī)械化技術(shù)與裝備的研究現(xiàn)狀進(jìn)行梳理，歸納總結(jié)當(dāng)前存在的問題，并展望未來發(fā)展的趨勢(shì)，為今后茶園生產(chǎn)全程機(jī)械化技術(shù)研究與體系建立提供參考。

1" 茶園生產(chǎn)全程機(jī)械化研究現(xiàn)狀

茶葉生產(chǎn)全程機(jī)械化技術(shù)是指以茶葉為作業(yè)對(duì)象，重點(diǎn)突破茶園生產(chǎn)管理、茶葉收獲等作業(yè)環(huán)節(jié)，推廣選用合適的機(jī)械裝備，建立適宜的全程機(jī)械化生產(chǎn)作業(yè)模式的綜合技術(shù)[3]。其中，茶園生產(chǎn)管理技術(shù)裝備主要包括茶園耕作、茶園除草、茶園施肥、茶樹修剪、茶園植保、茶園轉(zhuǎn)運(yùn)等環(huán)節(jié)。

1.1" 茶園生產(chǎn)管理技術(shù)與裝備研究

1.1.1" 茶園耕作技術(shù)與裝備研究

茶園耕作應(yīng)根據(jù)當(dāng)?shù)氐姆N植模式、農(nóng)藝要求和土壤條件等情況，選擇機(jī)械耕作方式與作業(yè)時(shí)間，主要包括淺耕與深耕。淺耕宜在2—7月結(jié)合追肥、除草等作業(yè)進(jìn)行，深度8～15 cm，每年耕作2～3次；深耕宜在8—10月或秋茶采摘結(jié)束后進(jìn)行，深度20～30 cm，寬度不超過50 cm，可結(jié)合施用復(fù)合肥、有機(jī)肥等基肥。

為提高耕作效率，谷明先[5]對(duì)耕作機(jī)具進(jìn)行仿生學(xué)優(yōu)化，以旋耕刀中的鑿形刀為研究對(duì)象，設(shè)計(jì)了一種具有肋條結(jié)構(gòu)表面的鑿形刀，相較傳統(tǒng)鑿形刀，優(yōu)化肋條結(jié)構(gòu)鑿形刀碎土率提升3.23%，耕作功耗下降6.42%。姜嘉胤[6]使用鼴鼠爪趾的仿生特征對(duì)茶園耕作鏟進(jìn)行優(yōu)化，設(shè)計(jì)了一種適用于茶園板結(jié)土壤的耕作機(jī)具，實(shí)現(xiàn)耕作過程的減阻降耗，相較原型鏟具有更高的碎土率，耕作扭矩降低約10.89%。同時(shí)，為提高電動(dòng)微耕機(jī)在丘陵山地工作中的巡航能力與安全性，薛劭帥等[7]將超級(jí)電容與磷酸鐵鋰電池結(jié)合形成微耕機(jī)復(fù)合電源，并通過田間試驗(yàn)證明，相較鋰電池組單一電源，復(fù)合電源電流平均峰值功率與平均容量衰退速率均有下降。

郭建永等[8]通過TRIZ理論應(yīng)用分析出6種微耕機(jī)創(chuàng)新設(shè)計(jì)方案。經(jīng)過對(duì)這些方案的對(duì)比分析，由該理論中物理矛盾工具及條件分離原理得出的方案切實(shí)可行，經(jīng)過與廣寧縣木格農(nóng)業(yè)機(jī)械有限公司合作，動(dòng)力系統(tǒng)可拆卸式微耕機(jī)已投入生產(chǎn)并進(jìn)行推廣。

熊祥盛[9]通過引入智能技術(shù)以提升微耕機(jī)效率，設(shè)計(jì)了一種基于數(shù)字孿生的微耕機(jī)耕作過程監(jiān)控系統(tǒng)，通過ZigBee構(gòu)建無線傳感器網(wǎng)絡(luò)，采用了多元二次回歸分析法構(gòu)建微型旋耕機(jī)耕作效果決策模型，并構(gòu)建可視化系統(tǒng)以全面監(jiān)控微耕機(jī)耕作過程。

1.1.2" 茶園除草技術(shù)與裝備研究

除草是茶園管理的重要環(huán)節(jié)，應(yīng)根據(jù)雜草長(zhǎng)勢(shì)和種類選擇機(jī)械除草作業(yè)方式與作業(yè)時(shí)間，除草一般在4—10月結(jié)合耕作作業(yè)進(jìn)行，除草耕作深度為10～15 cm，將草根翻至土表，具體作業(yè)次數(shù)根據(jù)雜草生長(zhǎng)情況適當(dāng)增減。

目前茶園常用的除草機(jī)械根據(jù)原理可以分為耕地式除草機(jī)械和刈割式除草機(jī)械兩種[10]。耕地式除草機(jī)通過模擬人工鋤草，以翻動(dòng)土壤的方式破壞雜草根系。茶園耕地式除草機(jī)多為功能復(fù)用型農(nóng)機(jī)，如茶園中耕機(jī)、多功能茶園管理機(jī)等；茶園刈割式除草機(jī)以側(cè)掛背負(fù)式圓盤割草機(jī)最為常見，通過高速旋轉(zhuǎn)的刀片將雜草的地上部分切斷、打碎。

武小燕等[11]針對(duì)安徽省茶園特點(diǎn)，對(duì)比人工作業(yè)與兩款微耕機(jī)的除草效果，通過田間試驗(yàn)可知，1WG2.2-60FG-2C微耕機(jī)、1WG-2.2QC 微耕機(jī)與人工作業(yè)的碎土率均為100%，埋苗率分別為87.61%、65.9%和25.37%，除草率分別為87.6%、86.8%和100%，作業(yè)效率為166.7 m2/h、160.0 m2/h和60.0 m2/h，可見機(jī)械化除草的優(yōu)越性。王楷雯[12]針對(duì)坡地茶園除草需求對(duì)電動(dòng)除草機(jī)關(guān)鍵技術(shù)開展研究，對(duì)其關(guān)鍵結(jié)構(gòu)運(yùn)動(dòng)與坡地穩(wěn)定性進(jìn)行分析，仿真得出上坡時(shí)縱向極限傾翻角、下坡時(shí)縱向極限傾翻角與橫向極限傾翻角等重要參數(shù)，分別為49.7°、43.8°和46.4°。劉啟合[13]以茶園雜草（小蓬草）根系－土壤－除草機(jī)具作為研究對(duì)象，通過仿真對(duì)除草刀具關(guān)鍵參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)分析并確定刀具易受損部位，為除草刀具改進(jìn)提供參考。

1.1.3" 茶園施肥技術(shù)與裝備研究

茶園施肥應(yīng)根據(jù)土壤理化性質(zhì)、茶樹長(zhǎng)勢(shì)、預(yù)計(jì)產(chǎn)量、制茶類型和氣候等條件，確定合理的肥料種類、數(shù)量、施肥位置和時(shí)間，基肥施用深度20 cm以上，追肥深度10 cm左右，施肥后及時(shí)蓋土，作業(yè)應(yīng)符合《茶葉生產(chǎn)技術(shù)規(guī)程》（NY/T 5018—2015）規(guī)定。近年來，茶園施肥機(jī)械研究取得了長(zhǎng)足的進(jìn)步，在施肥機(jī)械優(yōu)化、智能化模型構(gòu)建等方面研究均取得相應(yīng)的成果，實(shí)現(xiàn)茶園精準(zhǔn)施肥。

張海鵬等[14]設(shè)計(jì)了一款符合丘陵山區(qū)茶園作業(yè)的開溝施肥覆土一體機(jī)，該機(jī)開溝深度138.0～149.8 mm，平均溝深145.5 mm，開溝深度穩(wěn)定系數(shù)90.07%～92.21%，平均耕深穩(wěn)定系數(shù)91.1%；各段平均施肥量為21.6 g，施肥均勻性變異系數(shù)為3.4%。王宇兵[15]設(shè)計(jì)了一種茶園行間作業(yè)的側(cè)位深施肥機(jī)，該機(jī)包括對(duì)置雙螺旋外槽輪排肥器、排量控制系統(tǒng)、旋耕拋茬裝置、鑿形施肥鏟、開溝仿形機(jī)構(gòu)、覆土裝置等機(jī)構(gòu)。田間試驗(yàn)中體現(xiàn)了良好的茶園行間通過性，作業(yè)溝深穩(wěn)定性系數(shù)為92.79%，施肥均勻性變異系數(shù)為10.13%，作業(yè)后地表平整度為0.55，滿足茶園側(cè)位深施肥的農(nóng)藝要求。李宗鵬等[16]設(shè)計(jì)了一種雙級(jí)螺旋施肥機(jī)與有機(jī)肥施肥控制系統(tǒng)，田間試驗(yàn)中施肥量最大誤差為6.2%，為茶園有機(jī)肥變量精準(zhǔn)施肥提供技術(shù)支撐。Zhan 等[17]設(shè)計(jì)了一種單螺旋定深溝施肥機(jī)，該機(jī)挖溝穩(wěn)定性系數(shù)為94.29%～96.17%，施肥均勻性維持在93.58%～94.23%。Zhan 等[18]還根據(jù)茶園施肥需求，設(shè)計(jì)了一種自動(dòng)調(diào)深雙螺旋挖溝施肥機(jī)，采用雙螺旋犁溝施肥方式，可一次性完成開溝、施肥、覆蓋一體化作業(yè)，螺旋施肥變異系數(shù)為3.95%。

為提高施肥效率，節(jié)本增效，國(guó)內(nèi)外專家學(xué)者同樣專注于茶葉營(yíng)養(yǎng)成分的非接觸式檢測(cè)方向，為精準(zhǔn)施肥奠定基礎(chǔ)。Li等[19]采用無人機(jī)搭載多光譜、熱紅外、RGB、激光雷達(dá)和傾斜攝影機(jī)等多種傳感器，獲取茶樹冠層多源遙感數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)方法對(duì)茶樹高度、葉面積指數(shù)、葉片含水量、葉片葉綠素和氮含量進(jìn)行了估測(cè)。Cao等[20]結(jié)合多光譜和高光譜數(shù)據(jù)進(jìn)行氮元素估測(cè)，田間試驗(yàn)中決定系數(shù)與均方根誤差值分別為0.918 6與0.056 0，體現(xiàn)該方法的可行性。Wang等[21]對(duì)無人機(jī)拍攝圖像進(jìn)行多顏色空間加權(quán)融合，并利用殘差網(wǎng)絡(luò)構(gòu)造茶葉氮含量測(cè)定模型，平均準(zhǔn)確率可達(dá)91.4%。同時(shí)，高光譜圖像、可見光圖像等非接觸式感知方法也用于估測(cè)茶樹的兒茶素含量[22]，并通過基于人工神經(jīng)網(wǎng)絡(luò)的多源數(shù)據(jù)融合構(gòu)建茶樹生長(zhǎng)模型[23]。

1.1.4" 茶樹修剪技術(shù)與裝備研究

茶樹修剪是根據(jù)茶樹的樹齡、長(zhǎng)勢(shì)和修剪要求，分別采用定型修剪、輕修剪、深修剪、重修剪和臺(tái)刈等方法，用于培養(yǎng)優(yōu)化型樹冠，復(fù)壯樹勢(shì)。投產(chǎn)茶園每年應(yīng)進(jìn)行1～2次側(cè)邊修剪，相鄰茶行樹冠外緣應(yīng)保持不小于20 cm間距，利于機(jī)械化田間作業(yè)和通風(fēng)透光，作業(yè)應(yīng)符合NY/T 5018的要求。

修剪是機(jī)采茶園樹冠培育的關(guān)鍵措施之一，采用不同的修剪方式可調(diào)節(jié)與控制茶樹分枝生長(zhǎng)方向，促進(jìn)茶樹生長(zhǎng)，增加茶葉產(chǎn)量，培養(yǎng)良好的機(jī)采樹冠[24]。為提高修剪的效率與效果，除了針對(duì)性研發(fā)適用裝備外，通過田間試驗(yàn)對(duì)修剪方案進(jìn)行優(yōu)化也是一個(gè)主要研究方向。方吉男等[25]以英紅9號(hào)為試驗(yàn)對(duì)象，經(jīng)數(shù)據(jù)統(tǒng)計(jì)分析后發(fā)現(xiàn)，弧形修剪形狀的茶樹總發(fā)芽數(shù)、可采摘面以及產(chǎn)量均高于平形修剪。黎健龍等[26]同樣以英紅9號(hào)為試驗(yàn)對(duì)象探索修剪對(duì)茶樹抗寒能力的影響，結(jié)果證明改冬剪為夏剪可提高茶樹發(fā)芽密度和產(chǎn)量，并提高成茶品質(zhì)和經(jīng)濟(jì)效益。寧?kù)o等[27]以保靖黃金茶1號(hào)和白毫早2個(gè)特早生茶樹品種為研究對(duì)象，研究了春剪秋控修剪技術(shù)對(duì)茶樹萌芽和產(chǎn)量的影響，證明了該方法相較常規(guī)修剪的優(yōu)越性。

目前常見的修剪機(jī)技術(shù)上趨于成熟，分燃油與電動(dòng)兩種，隨著公眾對(duì)環(huán)境保護(hù)、茶葉質(zhì)量等提出更高要求，對(duì)電動(dòng)機(jī)械發(fā)展越發(fā)重視，國(guó)內(nèi)外多種修剪機(jī)械得到應(yīng)用。國(guó)內(nèi)外茶機(jī)生產(chǎn)企業(yè)已研制出無污染排放的電動(dòng)雙人修剪機(jī)，滿足有機(jī)茶葉生產(chǎn)需求。德國(guó)博奧菲多功能修剪機(jī)是一種電動(dòng)修剪機(jī)，具有較強(qiáng)的切割能力，可用于茶樹輕修剪與重修剪，也可用于茶樹邊緣修整[28]。日本研制生產(chǎn)的雙人修剪機(jī)，可高效進(jìn)行蓬面修剪；研發(fā)的單人修剪機(jī)采用電池驅(qū)動(dòng)，具有3種不同的檔位以滿足不同修剪需求。為進(jìn)一步提高茶園修剪機(jī)效率與重修剪質(zhì)量，周洋等[29]設(shè)計(jì)了一種電動(dòng)茶樹重修剪機(jī)，經(jīng)試驗(yàn)證明，該機(jī)具撕裂率4.6%，漏剪率3.2%，符合茶樹蓬面重修剪的農(nóng)藝要求。針對(duì)我國(guó)廣西地區(qū)丘陵山地茶園作業(yè)需求，羅悅洋等[30]設(shè)計(jì)了一種懸掛式茶樹修剪裝備，田間試驗(yàn)中，該機(jī)具修剪效率達(dá)到1 690.14 m2/h，漏剪率為0.85%、撕裂率為1.27%。

1.1.5" 茶園植保技術(shù)與裝備研究

茶園植保主要包括防霜凍與病蟲害防治兩方面。防霜凍應(yīng)選用噴灌設(shè)備對(duì)茶蓬表面連續(xù)噴水，防止茶蓬結(jié)霜。當(dāng)茶蓬已結(jié)霜時(shí)，可通過噴水將附著在茶蓬上的霜洗去。病蟲害防治應(yīng)根據(jù)當(dāng)?shù)夭∠x害種類、發(fā)生規(guī)律等情況，選擇作業(yè)方式和作業(yè)時(shí)機(jī)，防控指標(biāo)、防控適期、防控方式及其安全使用標(biāo)準(zhǔn)應(yīng)符合NY/T 5018的規(guī)定。根據(jù)市場(chǎng)需求，化學(xué)、生物、物理防治技術(shù)與植保機(jī)械裝備同步發(fā)展[31]。近年來開展了風(fēng)險(xiǎn)評(píng)估、結(jié)霜檢測(cè)、機(jī)具集成優(yōu)化等防霜凍相關(guān)研究；為提高病蟲害防治效果，也進(jìn)行了病蟲害檢測(cè)、預(yù)警與防治機(jī)具優(yōu)化等研究工作。

防凍霜相關(guān)研究中，張煜[32]根據(jù)春茶霜凍災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)體系，研究不同品種春茶萌芽日與霜凍災(zāi)害的空間分布特征及其對(duì)地理因素的響應(yīng)，闡明麗水地區(qū)春茶霜凍災(zāi)害的空間分布特征。朱蘭娟等[33]利用EasyDL開發(fā)平臺(tái)構(gòu)造茶樹結(jié)霜識(shí)別模型，為茶園霜凍預(yù)報(bào)等功能的實(shí)現(xiàn)提供基礎(chǔ)。石成[34]通過復(fù)合氣流擾動(dòng)和噴灌兩種防霜技術(shù)，設(shè)計(jì)開發(fā)了一套新的茶園復(fù)合防霜系統(tǒng)并制定控制策略，在保證防霜效果的同時(shí)，減少了防霜資源的消耗，兩次田間試驗(yàn)中測(cè)量點(diǎn)溫度均高于茶樹臨界凍害溫度，總耗水量分別減少67.8%和12.5%。

在病蟲害檢測(cè)上，Zhao等[35]開發(fā)了一種基于高光譜成像和連續(xù)小波分析的病蟲害檢測(cè)方法，該方法檢測(cè)準(zhǔn)確率達(dá)到90.26%～90.69%，對(duì)炭疽病的檢測(cè)準(zhǔn)確率達(dá)94.12%～94.28%，對(duì)茶小綠葉蟬的檢測(cè)準(zhǔn)確率達(dá)93.99%～94.20%；此外，該方法還能檢測(cè)灼傷的茶葉，檢測(cè)準(zhǔn)確率達(dá)82.50%～83.91%。范海紅[36]利用DCGAN網(wǎng)絡(luò)擴(kuò)充數(shù)據(jù)樣本后訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型以識(shí)別分類茶葉病蟲害圖像，精確率達(dá)93.75%。趙小虎[37]設(shè)計(jì)了一種基于光譜及圖像信息的多場(chǎng)景茶樹病蟲害智能識(shí)別方法，對(duì)茶小綠葉蟬、炭疽病、葉片灼傷的總體識(shí)別精度為92.14%，區(qū)域分類精度達(dá)92.01%。為實(shí)現(xiàn)自動(dòng)化部署，張?zhí)K等[38]設(shè)計(jì)了一種基于ZIG-BEE技術(shù)的有機(jī)茶園監(jiān)測(cè)控制系統(tǒng)，可實(shí)時(shí)監(jiān)測(cè)茶園的溫度、土壤濕度等，并實(shí)時(shí)監(jiān)測(cè)蟲害數(shù)據(jù)，智能啟用紫光誘殺以殺滅害蟲。馬柯柯[39]以清遠(yuǎn)紅茶為研究對(duì)象，設(shè)計(jì)了一種基于Vue框架的病蟲害預(yù)警監(jiān)測(cè)系統(tǒng)，包括知識(shí)庫(kù)模塊、蟲情信息模塊、上報(bào)病蟲害模塊、專家病蟲害診斷模塊、預(yù)警中心模塊和氣象數(shù)據(jù)模塊6個(gè)模塊，較大程度提高了當(dāng)?shù)夭鑸@病蟲害預(yù)警與防治水平。

研究人員同樣探索了病蟲害防治植保機(jī)具應(yīng)用新方向。趙新陽等[40]對(duì)比了人工植保與植保無人機(jī)的茶園害蟲防治效果，植保無人機(jī)作業(yè)效率可提高25倍，相較人工植保凈收益高1 125元/hm2，產(chǎn)出投入比高22%，經(jīng)濟(jì)生態(tài)效益明顯。胡傳峰[41]探討了植保無人機(jī)作業(yè)高度和噴幅寬度對(duì)茶樹冠層霧滴密度和霧滴覆蓋度的影響，得出其最佳作業(yè)參數(shù)為飛行高度2.5 m、噴幅寬度4.0 m。

1.1.6" 茶園轉(zhuǎn)運(yùn)技術(shù)與裝備研究

田間轉(zhuǎn)運(yùn)是通過轉(zhuǎn)運(yùn)載具完成茶園中肥料、機(jī)具的搬運(yùn)和茶鮮葉轉(zhuǎn)運(yùn)的環(huán)節(jié)，機(jī)械化水平相對(duì)較高。其中，履帶式搬運(yùn)機(jī)具有較高的爬坡能力和通過性，但搬運(yùn)效率比較低；單軌運(yùn)輸機(jī)可用于地勢(shì)較為陡峭的山地茶園，但存在前期投入成本高、軌道線路固定后不可更改、未覆蓋區(qū)域無法到達(dá)等問題，以致于自走式機(jī)具的推廣應(yīng)用受到限制。

針對(duì)這些問題，亟需對(duì)茶園轉(zhuǎn)運(yùn)設(shè)備進(jìn)行優(yōu)化升級(jí)，引入自主導(dǎo)航系統(tǒng)等新技術(shù)以研發(fā)適合茶園環(huán)境的自走設(shè)備。趙巖等[42]針對(duì)目前在茶園壟間導(dǎo)航路徑識(shí)別中存在的準(zhǔn)確性不高、實(shí)時(shí)性差和模型解釋困難等問題，在Unet模型的基礎(chǔ)上進(jìn)行優(yōu)化，提出融合Unet和ResNet模型優(yōu)勢(shì)的Unet-ResNet34模型，并以該模型所提取的導(dǎo)航路徑為基礎(chǔ)，生成路徑中點(diǎn)，通過多段3次B樣條曲線法擬合中點(diǎn)生成茶園壟間導(dǎo)航線，該模型處理RGB圖像的推理速度為36.8幀/s，滿足導(dǎo)航路徑分割的實(shí)時(shí)性需求。

1.2" 鮮葉采摘技術(shù)與裝備研究

鮮葉采摘是茶葉生產(chǎn)中勞動(dòng)強(qiáng)度最大的環(huán)節(jié)，也是實(shí)現(xiàn)茶葉生產(chǎn)全過程機(jī)械化難度最大的環(huán)節(jié)。根據(jù)茶樹生長(zhǎng)特性和茶葉生產(chǎn)工藝要求，對(duì)發(fā)芽整齊、生長(zhǎng)勢(shì)強(qiáng)、采摘面平整、標(biāo)準(zhǔn)新梢達(dá)到60%～80%的茶園，進(jìn)行采摘。采口高度根據(jù)留養(yǎng)要求掌握，留魚葉采或在上次采摘面上提高1～2 cm采摘，機(jī)采作業(yè)應(yīng)符合《機(jī)械化采茶技術(shù)規(guī)程》（NY/T 225—94）的要求。

當(dāng)前，我國(guó)大宗茶采摘已經(jīng)基本實(shí)現(xiàn)了機(jī)械化，但是名優(yōu)茶采摘依舊以人工為主，機(jī)械化提升需求迫切[31]。

1.2.1" 大宗茶鮮葉采摘技術(shù)與裝備研究

為設(shè)計(jì)當(dāng)?shù)夭鑸@適用的大宗茶鮮葉采摘方案，曹帆等[43]以寧波福泉山茶場(chǎng)為試驗(yàn)地點(diǎn)，對(duì)比了日本和浙江、湖北3家企業(yè)的5款往復(fù)切割式采茶機(jī)的采摘效果，試驗(yàn)結(jié)果表明湖北茶機(jī)企業(yè)的JCD-300手持式電能單人采茶機(jī)采摘效率最優(yōu)。

為提高大宗茶鮮葉采摘效率，在現(xiàn)有采茶機(jī)基礎(chǔ)上結(jié)合應(yīng)用需求進(jìn)行創(chuàng)制。王攀等[44]研制了4CJZ-1000型自走式采茶機(jī)，該機(jī)采用履帶自走式作業(yè)底盤和采茶部件掛接裝置，能夠與現(xiàn)有的大部分雙人采茶機(jī)進(jìn)行匹配作業(yè)以降低機(jī)具成本，采摘芽葉完整率達(dá)到90%以上，漏采率和漏集率均低于1%。趙潤(rùn)茂等[45]設(shè)計(jì)了一種分布控制的乘坐式仿形采茶機(jī)，采用超聲波傳感器感知距離信息，提出了機(jī)采茶蓬面割刀自動(dòng)仿形方法和分布式快速控制原型機(jī)低成本開發(fā)方法，該機(jī)割刀覆蓋區(qū)嫩梢平均采收率92.01%，芽葉完整率82.6%，雜質(zhì)率6.4%，一芽三葉及以下嫩梢占87.91%。王琪[46]設(shè)計(jì)了一種割刀高度自適應(yīng)調(diào)整的采茶機(jī)，采茶機(jī)頭設(shè)有反饋機(jī)制以自適應(yīng)調(diào)節(jié)高度，田間試驗(yàn)中采茶完整率、漏集率、漏采率分別為89.87%、0.61%、0.75%。

韓余等[47]設(shè)計(jì)了一款4CJ-1200F智能采茶機(jī)，對(duì)茶蓬面檢測(cè)系統(tǒng)、切割器自適應(yīng)調(diào)節(jié)機(jī)構(gòu)等關(guān)鍵機(jī)構(gòu)與系統(tǒng)進(jìn)行設(shè)計(jì)，田間試驗(yàn)中芽葉完整率平均值為67.2%，茶葉可制率平均值為90.4%。該團(tuán)隊(duì)所設(shè)計(jì)的4CJ-1200型跨行自走式采茶機(jī)，對(duì)履帶底盤、采摘切割器進(jìn)行了優(yōu)化設(shè)計(jì)，驗(yàn)證試驗(yàn)可知芽葉完整率為77.41%，漏采率為0.87%，割茬不平度為1.23 mm[48]；后又針對(duì)往復(fù)雙動(dòng)式采茶切割器碎茶率高的問題對(duì)切割器進(jìn)行了優(yōu)化，運(yùn)用遺傳算法解得最佳參數(shù)分別約為機(jī)速0.4 m/s、刀機(jī)速比1.2、行程23 mm、齒高25 mm，優(yōu)化后芽葉完整率82.6%，漏采率0.24%，割茬不平度2.8 mm[49]。

如圖1所示，農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所果蔬茶收獲機(jī)械創(chuàng)新團(tuán)隊(duì)創(chuàng)制升級(jí)第二代國(guó)產(chǎn)化高地隙區(qū)域遙控茶園多功能管理機(jī)，創(chuàng)新采用電液并聯(lián)控制技術(shù)、“1+N”復(fù)式作業(yè)技術(shù)和WMCM無線高清圖傳感遙控技術(shù)，可完成遠(yuǎn)程可視化無人駕駛的大宗茶鮮葉采摘作業(yè)，目前正于江蘇、浙江、江西、湖北等地推廣應(yīng)用。

1.2.2" 名優(yōu)茶鮮葉采摘技術(shù)與裝備研究

為實(shí)現(xiàn)名優(yōu)茶鮮葉的智能采摘，浙江理工大學(xué)研制并升級(jí)了第五代智能采茶機(jī)器人，分別從茶芽檢測(cè)[50]、三維空間定位[51-52]、采摘路線規(guī)劃[53]、機(jī)械臂運(yùn)動(dòng)控制[54]與末端執(zhí)行器優(yōu)化[55-57]等方向持續(xù)開展研究以提高采摘效率與穩(wěn)定性。該機(jī)器人利用深層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行芽葉形狀紋理的特征提取與識(shí)別，并通過雙目立體視覺形式進(jìn)行空間定位，執(zhí)行器包括剪切設(shè)備與負(fù)壓吸管兩部分，根據(jù)定位信息進(jìn)行葉芽剪切后將其吸入負(fù)載箱進(jìn)行存儲(chǔ)，識(shí)別準(zhǔn)確率達(dá)到86%，采茶成功率在60%以上，采茶精確度相較于前幾代機(jī)器人大大提高。蔣宗祥[58]設(shè)計(jì)了一種多臂協(xié)同的名優(yōu)茶單芽精準(zhǔn)采摘機(jī)器人，構(gòu)建多臂協(xié)同采摘模型，自動(dòng)生成采摘任務(wù)最優(yōu)運(yùn)動(dòng)路線，嫩芽識(shí)別準(zhǔn)確率達(dá)90%，單株嫩芽采摘平均耗時(shí)0.86 s，并驗(yàn)證了多臂系統(tǒng)相較單臂采摘的高效性。

名優(yōu)綠茶智能化采摘，核心在于如何在非結(jié)構(gòu)化的茶園環(huán)境下對(duì)茶葉嫩芽進(jìn)行有效識(shí)別，定位采摘點(diǎn)并完成采摘?jiǎng)幼鱗59]。近年來，名優(yōu)茶智能采摘已形成較為完整的技術(shù)應(yīng)用路線，可歸納為：嫩芽目標(biāo)檢測(cè)－嫩芽目標(biāo)定位－多目標(biāo)采摘路線規(guī)劃－執(zhí)行器定點(diǎn)采摘與存儲(chǔ)。依托此路線，國(guó)內(nèi)外相關(guān)專家學(xué)者對(duì)各環(huán)節(jié)開展針對(duì)性優(yōu)化研究，并探索多環(huán)節(jié)集成應(yīng)用。

為了實(shí)現(xiàn)茶芽等小目標(biāo)的精準(zhǔn)檢測(cè)，國(guó)內(nèi)外研究者們對(duì)YOLO v3[60-61]、YOLO v4[50]、YOLO v5[62]等算法進(jìn)行針對(duì)性優(yōu)化以提高檢測(cè)性能。其中，YOLO v5在檢測(cè)精度與速度間具有較好的平衡，根據(jù)田間應(yīng)用的邊緣端部署需求可對(duì)其進(jìn)行輕量化處理，降低模型參數(shù)量與計(jì)算量[63-64]。實(shí)例分割算法可實(shí)現(xiàn)像素級(jí)的目標(biāo)檢測(cè)，便于提取輪廓、質(zhì)心等特征，同樣為研究重點(diǎn)。曹林君[65]利用計(jì)算機(jī)視覺技術(shù)對(duì)茶葉嫩芽進(jìn)行分類識(shí)別，并通過改進(jìn)GMM模型分割嫩芽同時(shí)確定嫩芽具體朝向位置。張奮云[66]提出一種改進(jìn)的DeepLabV+模型實(shí)現(xiàn)茶芽分割，平均分割精度達(dá)93.17%，識(shí)別速度較快。Yan等[67]在Mask R-CNN檢測(cè)基礎(chǔ)上進(jìn)行改進(jìn)，提出一種MR3P-TS模型以擴(kuò)展掩膜分支，從而提高茶葉嫩梢的檢測(cè)精度。閆莉婕[68]引入通道－空間注意力順序模塊對(duì)Mask R-CNN進(jìn)行優(yōu)化，相較原始模型精度提升4%。Wang等[69]采用Mask R-CNN算法實(shí)現(xiàn)了茶芽的實(shí)例分割與采摘點(diǎn)的定位，田間試驗(yàn)證明，該方法精準(zhǔn)率與召回率分別為93.95%與92.48%。

茶葉嫩芽與采摘點(diǎn)三維空間定位通常與目標(biāo)檢測(cè)順序進(jìn)行，如圖2所示，目標(biāo)檢測(cè)可實(shí)現(xiàn)茶芽與采摘點(diǎn)的二維空間定位，在此基礎(chǔ)上結(jié)合深度信息進(jìn)一步確定目標(biāo)三維坐標(biāo)信息，為精準(zhǔn)無損采摘提供技術(shù)支持。目前常用的深度相機(jī)根據(jù)其工作原理可以分成3種，分別為雙目立體視覺、Time of flight（TOF）和結(jié)構(gòu)光。高仁鵬[70]在圖像目標(biāo)檢測(cè)的基礎(chǔ)上確定點(diǎn)云檢測(cè)范圍并建立雙目立體測(cè)距系統(tǒng)，實(shí)現(xiàn)了名優(yōu)茶的三維空間定位。付昊[71]設(shè)計(jì)GhostNet-YOLO v5進(jìn)行嫩芽目標(biāo)檢測(cè)，并通過雙目相機(jī)進(jìn)行標(biāo)定與三維定位，完成從相機(jī)坐標(biāo)系到機(jī)械臂基坐標(biāo)系的轉(zhuǎn)換。梁靜[72]在獲取嫩芽骨架并確定采摘點(diǎn)二維坐標(biāo)后，利用雙目相機(jī)將其擴(kuò)展為三維坐標(biāo)。李鑫德[73]通過識(shí)別采摘區(qū)域并通過質(zhì)心法獲取最佳采摘點(diǎn)的二維空間坐標(biāo)，利用TOF相機(jī)進(jìn)行標(biāo)定與坐標(biāo)點(diǎn)空間轉(zhuǎn)換。李亞濤[51]在目標(biāo)檢測(cè)的基礎(chǔ)上使用結(jié)構(gòu)光方法獲取目標(biāo)區(qū)域局部點(diǎn)云，通過圓柱包絡(luò)算法結(jié)合主成分分析方法以提取嫩梢2D骨架并確定采摘點(diǎn)的三維空間定位。

名優(yōu)茶智能采摘的執(zhí)行方法主要為模仿人工作業(yè)方式的機(jī)械手采集，為實(shí)現(xiàn)無損高效的自動(dòng)化采集，專家學(xué)者對(duì)多目標(biāo)采摘路線規(guī)劃與機(jī)械手執(zhí)行器改良進(jìn)行相關(guān)研究。

目前，機(jī)械手采摘路線優(yōu)化工作主要思路為將該任務(wù)轉(zhuǎn)化為旅行商問題（TSP）進(jìn)行求解，分為二維空間與三維空間2種TSP構(gòu)造。邱銘濤[53]對(duì)最大最小蟻群算法進(jìn)行優(yōu)化，根據(jù)單次全局路徑規(guī)劃的芽葉數(shù)量規(guī)模設(shè)置信息素的更新規(guī)則和取值范圍，并結(jié)合聚類算法縮短全局路徑規(guī)劃的運(yùn)算時(shí)間。Lin等[74]著重于平衡準(zhǔn)確率與檢測(cè)速度，通過YOLOX-S進(jìn)行茶葉嫩梢檢測(cè)，并提出一種改進(jìn)的指針網(wǎng)絡(luò)以高效解決TSP和規(guī)劃采摘路線，為采摘機(jī)器人的實(shí)時(shí)運(yùn)行提供技術(shù)支持。在三維TSP相關(guān)研究中，萬盛民[75]設(shè)計(jì)了一種茶葉采摘路徑優(yōu)化方法，通過茶葉采摘點(diǎn)三維空間路徑規(guī)劃與機(jī)械臂局部路徑規(guī)劃來設(shè)計(jì)時(shí)間最優(yōu)采摘路徑。張立付[76]引入灰狼優(yōu)化算法進(jìn)行三維空間采摘路徑規(guī)劃，并與遺傳算法、粒子群算法進(jìn)行對(duì)比驗(yàn)證其優(yōu)越性。

同時(shí)，執(zhí)行器也被優(yōu)化以提高采摘效率，羅坤等[77]設(shè)計(jì)了一種適用于名優(yōu)茶采摘的捏切組合式采摘器，通過算法控制采摘臂旋轉(zhuǎn)速度，實(shí)現(xiàn)了低振動(dòng)、準(zhǔn)確采摘。樣機(jī)試驗(yàn)表明，采摘器單次作業(yè)最大時(shí)間小于0.6 s，實(shí)際采摘成功率穩(wěn)定在100%。又結(jié)合茶葉生長(zhǎng)特性設(shè)計(jì)了一種仿人工連續(xù)式采摘機(jī)構(gòu)，茶葉被理?xiàng)l機(jī)構(gòu)帶入中間位置，并在夾持機(jī)構(gòu)的配合下進(jìn)入相機(jī)的識(shí)別區(qū)域，通過檢測(cè)算法確定茶葉嫩梢的位置信息后控制采摘機(jī)構(gòu)到達(dá)指定的高度位置進(jìn)行作業(yè)[78]。

2" 我國(guó)茶園生產(chǎn)全程機(jī)械化發(fā)展瓶頸與挑戰(zhàn)

2.1" 缺乏丘陵山區(qū)專用機(jī)具，農(nóng)機(jī)農(nóng)藝融合性較差

目前，丘陵山區(qū)“無機(jī)可用、無好機(jī)用、有機(jī)難用”現(xiàn)象十分突出，由于立地條件特殊，作物種類繁多，栽培農(nóng)藝復(fù)雜，農(nóng)機(jī)與農(nóng)藝難以協(xié)調(diào)，所需農(nóng)機(jī)裝備種類多，但數(shù)量少、要求高，尚未形成專用機(jī)具體系與標(biāo)準(zhǔn)。同時(shí)，丘陵茶園農(nóng)機(jī)農(nóng)藝融合問題依然嚴(yán)峻，現(xiàn)有老舊茶園種植行間距過窄、耕道不平整、宜機(jī)化水平低，與當(dāng)前茶園機(jī)械的適配性較差，存在機(jī)械難以進(jìn)入茶行之間、操作難度大等問題。

2.2" 未形成標(biāo)準(zhǔn)化方案，難形成可復(fù)制推廣模式

國(guó)內(nèi)茶園全程機(jī)械化生產(chǎn)意識(shí)正在逐漸形成，新建茶園從建園初期便可開展機(jī)械化生產(chǎn)規(guī)劃，老舊茶園仍存在宜機(jī)化水平較低的問題，宜機(jī)化改造所需投入較高，后期有大量宜機(jī)化改造標(biāo)準(zhǔn)相關(guān)工作需要開展。針對(duì)茶園類型與建設(shè)階段，需分別探索科學(xué)合理宜機(jī)化改造的標(biāo)準(zhǔn)化實(shí)施方法，目前尚無全面的茶園宜機(jī)化改造解決方案，難以形成可復(fù)制的推廣模式。

2.3" 精準(zhǔn)作業(yè)有待發(fā)展

通過引入智能化技術(shù)，茶園生產(chǎn)管理機(jī)械的效率有了顯著提升，但由于茶園應(yīng)用場(chǎng)景的特殊性，依然存在采摘設(shè)備作業(yè)精準(zhǔn)度不高、自走設(shè)備行進(jìn)誤差大等問題。在目前以精準(zhǔn)農(nóng)業(yè)發(fā)展為導(dǎo)向的茶園施肥管理作業(yè)中，同樣存在施肥工作模式固定所造成的茶樹缺素或元素過剩等問題。

3" 我國(guó)茶園生產(chǎn)全程機(jī)械化未來發(fā)展方向

3.1" 社會(huì)化服務(wù)升級(jí)

加快推動(dòng)茶園生產(chǎn)機(jī)械化專業(yè)服務(wù)人才體系建設(shè)，引導(dǎo)各地建立茶葉機(jī)械化作業(yè)專業(yè)服務(wù)隊(duì)伍，積極發(fā)揮輻射帶動(dòng)效果；鼓勵(lì)成立茶葉生產(chǎn)合作社，引入茶園管理托管模式，提高茶園機(jī)械使用效率與茶園管理科學(xué)、規(guī)范性；培育壯大龍頭企業(yè)和現(xiàn)代茶產(chǎn)業(yè)聯(lián)合體，鼓勵(lì)和支持企業(yè)主體開展茶園管理機(jī)械化作業(yè)的社會(huì)化服務(wù)，強(qiáng)化政企合作，進(jìn)一步鞏固、提高、升級(jí)茶葉生產(chǎn)社會(huì)化服務(wù)。

3.2" 技術(shù)裝備向集成化方向發(fā)展，形成丘陵山區(qū)專用機(jī)械裝備

隨著茶園機(jī)械的推廣與應(yīng)用，為全面提升機(jī)械化水平，除了各環(huán)節(jié)專用機(jī)械的研發(fā)與投入外，需對(duì)茶園管理環(huán)節(jié)任務(wù)進(jìn)行梳理與規(guī)劃，繼續(xù)強(qiáng)化技術(shù)裝備的集成化發(fā)展，實(shí)現(xiàn)一機(jī)多用，提高設(shè)備的利用率與效益產(chǎn)出。同時(shí)，我國(guó)丘陵山區(qū)茶園機(jī)械發(fā)展起步較晚，自動(dòng)化、智能化程度較低，缺少丘陵山區(qū)專用的耕作機(jī)械、植保機(jī)械、采摘機(jī)械與轉(zhuǎn)運(yùn)機(jī)械等田間生產(chǎn)管理機(jī)械，需持續(xù)進(jìn)行針對(duì)性研究，加快丘陵山區(qū)茶園機(jī)械自動(dòng)化、智能化進(jìn)程，形成專用機(jī)械裝備。

3.3" 茶園機(jī)械向信息化、智能化發(fā)展，向無人化探索

將傳統(tǒng)機(jī)械和先進(jìn)技術(shù)有效結(jié)合，應(yīng)用機(jī)器視覺、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)等，以提高茶園機(jī)械智能化和自動(dòng)化水平，開展綠色高效機(jī)械技術(shù)、多功能智能化機(jī)具研發(fā)與應(yīng)用。加快開發(fā)適用丘陵地帶的一機(jī)多用型多功能管理機(jī)、茶樹芽葉識(shí)別采摘機(jī)，融合應(yīng)用精準(zhǔn)施肥技術(shù)、茶園數(shù)字化管理技術(shù)等智能化技術(shù)，推進(jìn)茶園數(shù)字化智能化發(fā)展。建立智慧茶園平臺(tái)，運(yùn)用5G、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等高新技術(shù)實(shí)現(xiàn)茶園信息采集、茶園智能灌溉施肥、茶園蟲情信息實(shí)時(shí)監(jiān)測(cè)等，提高工作效率、作業(yè)精準(zhǔn)度和經(jīng)濟(jì)效益，為無人化茶園建設(shè)奠定基礎(chǔ)。

參考文獻(xiàn)

[1] 梅宇， 張朔. 2022年中國(guó)茶葉生產(chǎn)與內(nèi)銷形勢(shì)分析[J]. 中國(guó)茶葉， 2023， 45（4）： 25-30.

[2] 李兵. 茶園管理機(jī)械發(fā)展現(xiàn)狀及趨勢(shì)[J]. 現(xiàn)代農(nóng)業(yè)裝備， 2021， 42（2）： 14-17， 21.

[3] 王文明， 肖宏儒， 宋志禹， 等. 茶葉生產(chǎn)全程機(jī)械化技術(shù)研究現(xiàn)狀與展望[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（5）： 226-236.

[4] 陳加土， 毛偉， 周宇曉. 茶葉生產(chǎn)機(jī)械化現(xiàn)狀與發(fā)展思考[J]. 時(shí)代農(nóng)機(jī)， 2019， 46（4）： 15-16.

[5] 谷明先. 基于肋條結(jié)構(gòu)的微耕機(jī)鑿形刀優(yōu)化設(shè)計(jì)與試驗(yàn)研究[D]. 重慶： 西南大學(xué)， 2022.

[6] 姜嘉胤. 基于離散元法的茶園仿生耕作刀具設(shè)計(jì)[D]. 杭州： 浙江農(nóng)林大學(xué)， 2023.

[7] 薛劭帥， 蔡宗平， 李慶， 等. 基于超級(jí)電容輔能的電動(dòng)微耕機(jī)復(fù)合電源系統(tǒng)研究與試驗(yàn)[J]. 西南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 45（2）： 179-191.

[8] 郭建永， 李海源， 朱梓瑩. 基于TRIZ理論的可拆卸微耕機(jī)設(shè)計(jì)與研制[J]. 現(xiàn)代農(nóng)機(jī)， 2022（4）： 72-74.

[9] 熊祥盛. 基于數(shù)字孿生的微耕機(jī)耕作過程監(jiān)控系統(tǒng)的研究[D]. 南昌： 江西農(nóng)業(yè)大學(xué)， 2022.

[10] 左從國(guó)， 羅垚， 張顯晨， 等. 茶園綠色控草技術(shù)應(yīng)用現(xiàn)狀及展望[J]. 中國(guó)茶葉， 2022， 44（7）： 10-15.

[11] 武小燕， 王慧. 茶園機(jī)械化松土除草對(duì)比試驗(yàn)研究[J]. 農(nóng)機(jī)科技推廣， 2022（3）： 43-45.

[12] 王楷雯. 坡地茶園電動(dòng)除草機(jī)關(guān)鍵技術(shù)研究[D]. 貴陽： 貴州大學(xué)， 2023.

[13] 劉啟合. 基于離散元法的茶園除草機(jī)理及機(jī)具研究[D]. 貴陽： 貴州大學(xué)， 2023.

[14] 張海鵬， 林聰， 陳凌霄， 等. 茶園開溝施肥覆土一體機(jī)的設(shè)計(jì)與試驗(yàn)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（3）： 28-35.

[15] 王宇兵. 茶園側(cè)位深施肥機(jī)的設(shè)計(jì)與試驗(yàn)[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 2022.

[16] 李宗鵬， 高巧明， 呂攀， 等. 茶園有機(jī)肥變量施肥控制系統(tǒng)的設(shè)計(jì)與試驗(yàn)[J]. 中國(guó)農(nóng)機(jī)裝備， 2023（7）： 91-98.

[17] ZHAN C X， DING W Q， HAN Y， et al. Design and experiments with a single spiral fixed depth ditching and fertilizing machine[J/OL]. Scientific Reports， 2023， 13： 7798. https：//doi.org/10.1038/s41598-023-34464-6.

[18] ZHAN C X， DING W Q， HAN Y， et al. Design and experiments of an automatic depth-adjusting double screw trencher and fertiliserning[J/OL]. PLoS One， 2022， 17（12）： e0277824. https：//doi.org/10.1371/journal.pone.0277824.

[19] LI H， WANG Y， FAN K， et al. Evaluation of important phenotypic parameters of tea plantations using multi-source remote sensing data[J/OL]. Frontiers in Plant Science， 2022， 13： 898962. https：//doi.org/10.3389/fpls.2022.898962.

[20] CAO Q， YANG G J， DUAN D D， et al. Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants （Camellia sinensis （L.） O. Kuntze） under field conditions[J/OL]. Computers and Electronics in Agriculture， 2022， 198： 107084. https：//doi.org/10.1016/j.compag.2022.107084.

[21] WANG S M， MA J H， ZHAO Z M， et al. Pixel-class prediction for nitrogen content of tea plants based on unmanned aerial vehicle images using machine learning and deep learning[J/OL]. Expert Systems with Applications， 2023， 227： 120351. https：//doi.org/10.1016/j.eswa.2023.120351.

[22] KANG Y S， RYU C， SUGURI M， et al. Estimating the catechin concentrations of new shoots in green tea fields using ground-based hyperspectral imagery[J/OL]. Food Chemistry， 2022， 370： 130987. https：//doi.org/10.1016/j.foodchem.2021.130987.

[23] LI H， MAO Y L， WANG Y， et al. Environmental simulation model for rapid prediction of tea seedling growth[J/OL]. Agronomy， 2022， 12： 3165. https：//doi.org/10.3390/agronomy12123165.

[24] 賀望興， 葉川， 江新鳳， 等. 名優(yōu)茶機(jī)采茶園樹冠培育技術(shù)研究進(jìn)展[J]. 蠶桑茶葉通訊， 2022（4）： 13-15.

[25] 方吉男， 韋宇冬， 黃育安， 等. 修剪形狀對(duì)英紅九號(hào)茶樹蓬面生長(zhǎng)與產(chǎn)量的影響[J]. 安徽農(nóng)業(yè)科學(xué)， 2022， 50（15）： 34-35， 46.

[26] 黎健龍， 蔡曉怡， 農(nóng)紅秋， 等. 不同修剪模式對(duì)英紅九號(hào)茶樹抗寒能力的影響[J]. 廣東茶業(yè)， 2022（1）： 24-30.

[27] 寧?kù)o， 李維， 向芬， 等. 春剪秋控修剪技術(shù)對(duì)特早生茶樹品種萌芽與產(chǎn)量的影響[J]. 湖南農(nóng)業(yè)科學(xué)， 2022（6）： 17-20.

[28] 康麗春， 周逸涵， 饒洪輝， 等. 國(guó)內(nèi)外茶樹修剪機(jī)械概述[J]. 蠶桑茶葉通訊， 2022（5）： 19-21.

[29] 周洋， 張強(qiáng)， 崔清梅， 等. 茶樹重修剪機(jī)的設(shè)計(jì)與試驗(yàn)研究[J]. 農(nóng)業(yè)裝備與車輛工程， 2022， 60（11）： 14-16， 35.

[30] 羅悅洋， 高巧明， 呂攀， 等. 懸掛式茶樹修剪裝備的設(shè)計(jì)與試驗(yàn)[J]. 南方農(nóng)機(jī)， 2023， 54（21）： 27-30， 62.

[31] 鮑堃. 茶葉生產(chǎn)機(jī)械化技術(shù)與裝備需求現(xiàn)狀分析[J]. 世界熱帶農(nóng)業(yè)信息， 2023（8）： 71-72.

[32] 張煜. 麗水市春茶霜凍災(zāi)害的空間分布特征研究[D]. 淮南： 安徽理工大學(xué)， 2022.

[33] 朱蘭娟， 胡德云， 華行祥， 等. 基于百度AI卷積神經(jīng)網(wǎng)絡(luò)的茶樹結(jié)霜智能識(shí)別[J]. 氣象科學(xué)， 2023， 43（2）： 245-253.

[34] 石成. 茶園氣流擾動(dòng)-噴灌復(fù)合防霜技術(shù)及性能試驗(yàn)研究[D]. 鎮(zhèn)江： 江蘇大學(xué)， 2023.

[35] ZHAO X H， ZHANG J C， HUANG Y B， et al. Detection and discrimination of disease and insect stress of tea plants using hyperspectral imaging combined with wavelet analysis[J/OL]. Computers and Electronics in Agriculture， 2022， 193： 106717. https：//doi.org/10.1016/j.compag.2022.106717.

[36] 范海紅. 卷積神經(jīng)網(wǎng)絡(luò)在茶樹病蟲害防治中的應(yīng)用[J]. 福建茶葉， 2022， 44（4）： 34-36.

[37] 趙小虎. 基于光譜及圖像信息的多場(chǎng)景茶樹病蟲害智能識(shí)別研究[D]. 杭州： 杭州電子科技大學(xué)， 2022.

[38] 張?zhí)K， 陳婧， 趙文昌. 基于ZIG-BEE技術(shù)的有機(jī)茶園監(jiān)測(cè)控制系統(tǒng)[J]. 科學(xué)技術(shù)創(chuàng)新， 2022（3）： 43-46.

[39] 馬柯柯. 基于Vue框架的紅茶病蟲害預(yù)警監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 太原： 山西農(nóng)業(yè)大學(xué)， 2022.

[40] 趙新陽， 陳煥金， 韓杰， 等. 農(nóng)用植保無人機(jī)茶園病蟲害防治效果分析[J]. 南方農(nóng)機(jī)， 2022， 53（4）： 47-49， 89.

[41] 胡傳峰. 植保無人機(jī)作業(yè)參數(shù)對(duì)茶樹冠層霧滴沉積分布特性的影響[J]. 種業(yè)導(dǎo)刊， 2022（5）： 31-34.

[42] 趙巖， 張人天， 董春旺， 等. 采用改進(jìn)Unet網(wǎng)絡(luò)的茶園導(dǎo)航路徑識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（19）： 162-171.

[43] 曹帆， 徐艷陽， 王冬梅， 等. 三種往復(fù)切割式采茶機(jī)采摘效果比較[J]. 茶葉， 2022， 48（4）： 209-213.

[44] 王攀， 易文裕， 熊昌國(guó)， 等. 4CJZ-1000型自走式采茶機(jī)的設(shè)計(jì)與試驗(yàn)[J]. 西南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 44（11）： 228-233.

[45] 趙潤(rùn)茂， 卞賢炳， 陳建能， 等. 分布控制的乘坐式仿形采茶原型機(jī)研制與試驗(yàn)[J]. 茶葉科學(xué)， 2022， 42（2）： 263-276.

[46] 王琪. 一種割刀高度自適應(yīng)調(diào)節(jié)的采茶機(jī)設(shè)計(jì)與試驗(yàn)研究[D]. 福州： 福建農(nóng)林大學(xué)， 2022.

[47] 韓余， 宋志禹， 陳巧敏. 4CJ-1200F智能采茶機(jī)設(shè)計(jì)與試驗(yàn)[J]. 智能化農(nóng)業(yè)裝備學(xué)報(bào)（中英文）， 2022， 3（1）： 1-6.

[48] 韓余， 肖宏儒， 宋志禹， 等. 4CJ-1200型跨行自走式采茶機(jī)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程技術(shù)， 2022， 42（15）： 108.

[49] 韓余， 宋志禹， 陳巧敏， 等. 弧型往復(fù)雙動(dòng)式采茶切割器優(yōu)化與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（24）： 35-43.

[50] 方夢(mèng)瑞， 呂軍， 阮建云， 等. 基于改進(jìn)YOLOv4-tiny的茶葉嫩芽檢測(cè)模型[J]. 茶葉科學(xué)， 2022， 42（4）： 549-560.

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

[52] LI Y T， WU S K， HE L Y， et al. Development and field evaluation of a robotic harvesting system for plucking high-quality tea[J/OL]. Computers and Electronics in Agriculture， 2023， 206： 107659. https：//doi.org/10.1016/j.compag.2023.107659.

[53] 邱銘濤. 名優(yōu)茶采摘機(jī)械臂的局部避障和全局路徑規(guī)劃研究[D]. 杭州： 浙江理工大學(xué)， 2022.

[54] 吳強(qiáng). 名優(yōu)茶采摘機(jī)械臂的設(shè)計(jì)與運(yùn)動(dòng)控制[D]. 杭州： 浙江理工大學(xué)， 2022.

[55] 周宇杰， 吳強(qiáng)， 賀磊盈， 等. 名優(yōu)茶采摘機(jī)器人的系統(tǒng)設(shè)計(jì)與試驗(yàn)[J]. 機(jī)械工程學(xué)報(bào)， 2022， 58（19）： 12-23.

[56] 陳建能， 李杭， 任萍， 等. 螺紋管吸附式名優(yōu)茶采收器設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（5）： 131-139.

[57] 陳建能， 李杭， 劉林敏， 等. 名優(yōu)茶采摘分體刀具式末端執(zhí)行器設(shè)計(jì)與試驗(yàn)優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2024， 55（1）：39-46， 195.

[58] 蔣宗祥. 多臂協(xié)同的名優(yōu)茶單芽精準(zhǔn)采摘機(jī)器人研究[D]. 濟(jì)南： 山東大學(xué)， 2022.

[59] 孫艷霞， 陳燕飛， 金小俊， 等. 名優(yōu)綠茶智能化采摘關(guān)鍵技術(shù)研究進(jìn)展[J]. 包裝與食品機(jī)械， 2022， 40（3）： 100-106.

[60] CHEN C L， LU J Z， ZHOU M C， et al. A YOLOv3-based computer vision system for identification of tea buds and the picking point[J/OL]. Computers and Electronics in Agriculture， 2022， 198： 107116. https：//doi.org/10.1016/j.compag.2022.107116.

[61] XU W K， ZHAO L G， LI J， et al. Detection and classification of tea buds based on deep learning[J/OL]. Computers and Electronics in Agriculture， 2022， 192： 106547. https：//doi.org/10.1016/j.compag.2021.106547.

[62] 代云中， 蔣天宸， 楊威， 等. 基于YOLOv5算法的名優(yōu)茶采摘機(jī)器人[J]. 南方農(nóng)機(jī)， 2023， 54（12）： 24-27.

[63] GUI Z Y， CHEN J N， YANG L， et al. A lightweight tea bud detection model based on Yolov5[J/OL]. Computers and Electronics in Agriculture， 2023， 205： 107636. https：//doi.org/10.1016/j.compag.2023.107636.

[64] SHUAI L Y， MU J， JIANG X Q， et al. An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds[J]. Biosystems Engineering， 2023， 231： 117-132.

[65] 曹林君. 基于計(jì)算機(jī)視覺的茶葉嫩芽識(shí)別與分類方法研究[D]. 鞍山： 遼寧科技大學(xué)， 2022.

[66] 張奮云. 基于計(jì)算機(jī)視覺的茶葉嫩芽識(shí)別定位研究與系統(tǒng)開發(fā)[D]. 杭州： 杭州電子科技大學(xué)， 2023.

[67] YAN L J， WU K H， LIN J， et al. Identification and picking point positioning of tender tea shoots based on MR3P-TS model[J/OL]. Frontiers in Plant Science， 2022， 13： 962391. https：//doi.org/10.3389/fpls.2022.962391.

[68] 閆莉婕. 多尺度茶葉智能檢測(cè)和識(shí)別方法研究[D]. 杭州： 杭州電子科技大學(xué)， 2023.

[69] WANG T， ZHANG K M， ZHANG W， et al. Tea picking point detection and location based on Mask-RCNN[J]. Information Processing in Agriculture， 2023： 10（2）： 267-275.

[70] 高仁鵬. 基于圖像處理的名優(yōu)茶智能化采摘系統(tǒng)的研制[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 2022.

[71] 付昊. 基于深度學(xué)習(xí)的茶葉嫩芽檢測(cè)和采摘研究[D]. 杭州： 浙江科技學(xué)院， 2022.

[72] 梁靜. 基于計(jì)算機(jī)視覺的名優(yōu)茶嫩芽識(shí)別與采摘定位方法研究[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2023.

[73] 李鑫德. 基于機(jī)器視覺的名優(yōu)茶單芽檢測(cè)與精準(zhǔn)采摘技術(shù)研究[D]. 濟(jì)南： 山東大學(xué)， 2023.

[74] LIN G C， XIONG J T， ZHAO R M， et al. Efficient detection and picking sequence planning of tea buds in a high-density canopy[J/OL]. Computers and Electronics in Agriculture， 2023， 213： 108213. https：//doi.org/10.1016/j.compag.2023.108213.

[75] 萬盛民. 時(shí)間最優(yōu)控制的茶葉采摘機(jī)械臂路徑規(guī)劃方法研究[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2022.

[76] 張立付. 基于灰狼優(yōu)化算法的茶葉采摘機(jī)械臂路徑規(guī)劃研究[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2023.

[77] 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.

[78] 羅坤. 名優(yōu)茶嫩梢低損采摘機(jī)理與裝備研發(fā)[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2023.