茶樹種植智能化管理研究進展與展望

程俊杰 龍俐至 倪康 阮建云

摘要：種植是茶葉產業鏈的上游環節，直接影響茶葉生產成本。在勞動力短缺和茶產業可持續發展要求的背景下，茶樹種植的智能化越發受到廣泛關注。文章對茶園施肥、灌溉、耕作等方面的智能化研究進展與短板進行了總結與討論，同時對今后茶樹種植智能化管理領域的研發方向進行了展望。

關鍵詞：茶樹種植;智能化;進展;展望

Research Progress and Prospect of Intelligent?Management of Tea Cultivation

CHENG Junjie， LONG Lizhi， NI Kang*， RUAN Jianyun

Tea Research Institute， Chinese Academy of Agricultural Sciences， Hangzhou 310008， China

Abstract： Cultivation is the upstream node of the tea industry chain and directly affects the cost of tea production. In the context of labor shortage and requirement of the sustainable development， the intelligentization of tea cultivation has been paid more attention. Based on the published literature， this paper summarized the progress and shortcomings of intelligent research on fertilization， irrigation and tillage related to tea cultivation， and provided an outlook on the future R&D directions.

Keywords： tea cultivation， intelligent， progress， prospect

茶樹是我國重要的特色經濟作物，目前我國茶園面積與茶葉產量均位居全球首位，茶業在脫貧攻堅與鄉村振興工作中發揮了重要作用[1]。種植是茶葉產業鏈中的關鍵環節，為高品質茶葉提供了保障，但是種植成本占據了目前茶葉生產成本的主要份額[2]。復雜的種植條件與勞動力不足使茶葉種植成本不斷提升，種植環節的智能化是茶葉生產從傳統模式向現代模式轉變的必由之路[3-6]。

隨著物聯網、大數據、人工智能等技術的發展以及相關設備的問世，已經能夠實現茶樹生長和茶園環境信息的快速感知，以及相關作業設施的自動控制和系統化管理[7-9]。但我國茶區分布廣、茶園立地條件復雜、茶樹品種豐富、加工茶類多樣，茶樹種植過程的智能化管理方面依然存在著諸多有待突破的瓶頸問題。本文對目前耕作、灌溉、養分管理、修剪等方面的智能化管理研究與應用現狀進行綜合分析，提出其中的短板與今后的研發方向，對茶產業高產、優質、高效、綠色發展具有重要意義。

1? 茶樹種植智能化框架

種植智能化是一套依托于物聯網、大數據、云計算等先進技術支撐的綜合管理系統，包含了農情監測、優化決策、設備調度的自動化，可實現全程數字化感知、智能化決策、精準化作業、系統化管理，突破茶樹種植過程的高度時空變異性，實現耕作、灌溉、養分管理、修剪的智能化實施[6]。

智能化系統在物理架構上由監測感知層、傳輸存儲層、計算決策層、應用服務層組成。

1.1? 監測感知層

監測感知層是智能化系統的“眼睛”和“耳朵”，也是智能化系統信息處理的基礎。感知層依賴載具平臺上的各類傳感器，實時獲取茶樹周邊環境、茶樹自身的各類信息，如溫濕度、輻射、茶樹養分等數據信息的采集。智能化系統對感知層要求是信息獲取的原位、實時、精準、快速、智能，因此數據相對于傳統觀測必然需要海量儲存。

1.2? 傳輸存儲層

傳輸存儲層是智能化系統的“神經”與“倉庫”，監測感知層搜集的海量信息數據通過傳輸存儲層匯集到數據倉庫，為后續的數據計算提供源源不斷的“養分”。傳輸過程主要依賴各類數據傳輸協議與設備對數據進行高效傳輸，盡可能減少數據傳輸延遲，同時還需要實現不同設備的組網與信息的兼容并行處理，而智能化系統中存儲主要體現在海量數據的高效云存儲與交換，實現數據存儲與提取的高兼容、低延時、低誤差。

1.3? 計算決策層

計算決策層是“大腦”，匯集的各類信息只有經過計算決策層的復雜運算才能生成有應用價值的信息，反饋給用戶或者傳送給作業設備。在種植端，計算決策層主要是對農情信息的智能化處理，設備的路徑規劃、決策控制，實現作物生長態勢的判斷，以及不同場景下的應對決策生成，比如茶樹脅迫狀態診斷、對應設備操作所需的參數等。計算決策層需要算力與算法共同實現，算力依托于計算芯片、內存，而算法是決策的核心。

1.4? 應用服務層

應用服務層是“手腳”，將計算決策層得出的信息、參數，反饋到對應的終端，如顯示器、機械設備，實現決策結果的操作應用。由于設備種類多樣，參數需求復雜，因此應用反饋層要求數據信息的高度兼容、操作參數精準化。

目前種植智能化管理的主要瓶頸在監測感知層與計算決策層，在監測感知層、計算決策層，技術及裝備均剛剛處于起步階段，距離產業化應用還有一段距離。而傳輸存儲層、應用服務層隨著近年來信息技術、互聯網技術發展，海量數據傳輸與存儲的技術難度不大，挑戰在于如何降低成本。

2? 茶樹種植智能化管理研究現狀與問題

2.1? 農業傳感器

農業傳感器是智能化管理系統的核心技術之一，也是系統中重要的裝備產業化環節。與茶樹種植相關的農業傳感器主要有環境傳感器、植物生理傳感器、智能設備傳感器3類[10]。環境傳感器的主要作用是獲取茶樹賴以生存的土壤、大氣環境中的相關參數，如土壤溫濕度、電導率、酸堿度、氮磷鉀養分等[11]，大氣環境中的溫濕度、二氧化碳濃度、光照度等[12]。生理傳感器用于獲取與茶樹生長態勢相關的參數，如茶樹含水率、葉片厚度、葉片氮磷鉀含量、葉片色素含量等代表茶樹生長態勢的信息。智能設備傳感器用于關鍵目標識別、相關設備的執行效果監測，如灌溉設備、遮陰設備、耕作機械對灌溉量、遮陰度、耕作深度信息的實時獲取[13-14]。

上述傳感器中，大氣環境傳感器發展較為成熟，目前國內外均有相應的市場化產品[12];植物生理傳感器大多采用的是基于光學的智能傳感器技術，目前已有部分市場化產品。土壤環境傳感器是目前農業傳感器發展的重點領域，矯雷子等[15]使用8通道窄帶激光二極管作為近紅外光源，通過測量8通道激光光束的土壤反射率，建立土壤養分中氮關于土壤反射率的計量模型，實現了氮的快速檢測。Ning等[16]也通過近紅外光譜對茶園土壤有機質、全氮含量進行快速檢測技術的驗證，預測準確率達到了84%。但由于土壤環境的高度異質性，為相應傳感器的研發及空間布設帶來了不小的難度，目前缺乏可靠的產業化產品。

總體上我國已經開展了不少關于信息快速獲取及組網技術的研發[17-19]，但目前茶園智慧管理中的傳感器仍采用通用型農業傳感器，專用傳感器較為缺乏;另外，目前采用的方案大多是通過將工業傳感器、微控制器、無線通信以模塊化集成，成本較高，不利于規模化推廣應用[10];此外，在信息安全、能耗與可靠性方面還存在諸多問題，這也導致了農業傳感器還未有統一的技術標準[20]。

2.2? 信息感知技術

2.2.1? 空間信息獲取

人工測量和統計抽樣是獲取茶園信息的傳統方法，但效率低、精度差，且時效性不高。依托衛星、無人機等遙感平臺，配合地理信息技術，可以實現茶樹種植區內關鍵信息的快速獲取。

國內外學者應用不同的遙感數據源的光譜特征和各種植被指數，結合不同的算法提取紋理特征實現對茶園的分類，以及茶樹生長過程及受害情況、茶園產量預測等[21]。在茶園空間分布信息提取[22-25]、茶樹種植適宜性評價[26-27]、茶園產量預測[28-29]等方面開展了初步嘗試。但不同研究所用的數據源不同，分類方法與研究區域也存在差異，雖在各自研究中模型的識別和提取精度良好，但不同研究結果之間難以比較，無法確定不同反演模型的優劣[21]。

我國農業遙感衛星傳感器以多光譜遙感為主，觀測要素缺乏、缺少光學與微波等協同觀測能力，遙感數據保障率和質量有待提高[30]。此外，遙感平臺仍然是非連續性，時效性不如物聯網技術領域的實時監控影像平臺，而遙感影像數據解析需要額外算法和算力支持，時空分辨率均不如地面監測系統。

2.2.2? 茶樹生長態勢感知

植物生長信息可直接用于脅迫診斷、產量與品質預測，這些參數大多依賴傳統的理化分析方法，費時費力，而智能化管理系統所需的實時數據需要對作物生理參數進行快速、無損檢測。王嬌嬌等[31]針對作物長勢快速監測與精確診斷的需求，設計了作物長勢監測儀數據采集與分析系統，通過藍牙技術連接智能手機和作物長勢監測儀獲取作物采樣數據，經內置光譜模型計算得到地塊的作物生長參數分布專題圖，實時獲取田間作物的監測診斷信息并提出專業的田間管理指導方案。

在茶樹種植領域，對茶樹生長具有關鍵影響的養分、葉綠素等生化成分主要是通過光譜設備進行無損檢測，但光譜設備所獲取的并非是直觀的生理生化數據，還需要對光譜數據進行反演，因此，在茶樹生長態勢感知方面開展了大量反演模型算法研究工作。目前國內外有部分學者已經開展了利用高光譜設備，對茶樹品種[32]、茶樹葉面積指數[33]、冠層葉片中葉綠素[34-35]、氮[33-34， 36-37]、磷鉀[38]含量進行反演算法的研究。從具體研究結果看，通過可見光-紅外波段的光譜成像技術，結合機器學習算法可以獲得不錯的識別與診斷效果，結果具有一定的可靠性。但從發表的文獻看，研究的設備平臺及茶樹對象差異較大，模型間缺乏可比性，模型普適性與泛化能力較弱。此外，對能夠直觀反映茶樹生長態勢的發芽密度、樹幅等參數的快速感知仍然缺乏相應的設備與算法。

2.3? 智慧茶園系統實現

2.3.1? 茶園綜合管理系統

吳彬等[39]利用無線通信、傳感器檢測和數字圖像識別技術，自主設計和研制了一套茶園可視化農業氣象信息動態監測預警系統，該系統可實現茶園圖像信息、溫濕度、降水數據的一體化采集和綜合顯示的功能。海濤等[40]設計了基于低能耗廣域網物聯網云平臺的茶園監控系統，該系統能實時采集茶園空氣溫濕度、土壤溫濕度等參數，通過服務器對獲取的茶園信息進行分析、存儲，并將數據同步到PC端和移動端，實現對茶園環境的遠程智能監控。徐松鐳等[41]設計了1套基于物聯網的光伏茶園監測系統，該系統能夠采集光伏發電量和茶樹生長環境的各項數據，再通過監測系統把數據上傳至搭建好的服務器端，有利于實現數據共享，從而可以通過該系統遠程查看和分析數據。

陳玉[42]開發了一套集軟硬件于一體的高標準現代茶園物聯網系統，以提高茶園綜合管理能力。該系統包括智慧茶園云管理平臺，分為茶樹生長環境監測平臺、視頻監控平臺、水肥藥一體化調控平臺、茶葉質量追溯平臺、茶樹生長過程綜合管理平臺5個子平臺，為實現智慧茶園的精準控制管理提供了平臺技術支撐。陳義勇等[43]開展了茶園生境智慧管控技術研究，建立了一套茶園生境智慧管控技術，包含茶園土壤生態調控技術、茶園生態位配置與管控技術、茶園病蟲害監測預警與生態防控技術、茶園生境環境信息自動化感知技術、茶園水分智慧管控技術以及茶園生境智慧管控專家服務系統等。

從實際應用情況看，目前“智慧茶園”均止步在農情信息收集與信息匯總展示場景，管理決策仍然依賴于人，而智能決策算法缺失是“智慧茶園”的瓶頸問題。王圓[44]通過自建茶業領域問答數據集，訓練Sentence-BERT模型，用于生成句的語義嵌入表示，并結合Faiss相似性檢索庫，完成QA語義相似度匹配，將模型封裝，形成智慧茶園專家系統，通過自動問答的形式，構建核心決策指導功能，測試結果顯示，自動問答功能能夠幫助領域相關者解決在茶葉種植、生產等環節遇到的問題。

2.3.2? 智能灌溉設備

茶園智能化灌溉系統發展有兩個方面，一是優化灌溉系統的驅動結構，改進灌溉效果，如付文哲[45]發明了一種茶園噴灌系統，包括水池、泵、第一過濾器、給料單元和灌溉單元，該系統能提高灌溉均勻性。張艷[46]研究設計了一套由可編程控制器和變頻器聯合控制的茶園變頻恒壓噴灌控制系統，可根據用水量的變化，在全流量范圍內利用變頻泵的連續調節和工頻泵的分級調節相結合，實現恒壓、節能，并對噴灌過程中的各種特征量進行實時、動態顯示，提高了茶園噴灌的自動化水平和管理水平。另一方面智能化灌溉是通過算法實現灌溉時機的精準選擇，如湖州職業技術學院[47]發明了一種茶園自動噴灌系統，使用濕度傳感器精確檢測茶園土壤的濕度，使用光照傳感器檢測光照強度，由控制器控制噴灌水泵的開啟，實現茶園的自動噴灌。蔡彬等[48]設計了一種基于無線傳感網絡的茶園智能化噴灌系統，可針對不同茶樹生長期對土壤、溫度、水分、鹽分等條件的需要，進行精準實時灌溉。

2.3.3? 其他智能機械

通用智能機械平臺方面，朱登勝等[49]基于大田作業智能傳感技術、物聯網技術、定位技術、遙感技術和地理信息系統，通過采用低精度全球 衛星導航系統（GNSS）定位前提下的作業面積的計算方法、GNSS定位處理過程中的數據問題分析、農機調度算法、作業傳感器信息的集成，設計了可定制化的通用農機遠程智能管理平臺。

受制于茶園復雜地形、植被覆蓋、土壤類型差異，與茶樹種植相關的智能農機設備，如耕作機、施肥機、修剪機的智能化程度遠不及灌溉設備。根據國家茶產業技術體系茶園機械研究室的報告，“十三五”期間，我國茶園作業機械領域僅解決了茶園無專用機械的問題，但現有機械的智能化程度低、作業仍然需要較多人工參與，與智慧管理、無人化生產的要求還有很大的差距[50]，未來仍將依托于智能裝備領域的重大突破[51-52]。此外，智能農機裝備領域未形成科學的標準化體系，導致該領域相關標準定位不清、標準間交叉重復、配套性差。發布實施的智能農機裝備地方標準、團體標準、企業標準質量參差不齊，裝備生產沒有統一規范、新產品研發無標可依、上下游產業無法配套銜接[53]。

3? 茶樹種植智能化管理研究展望

茶樹生長環境及態勢的快速感知、智能決策和針對性農藝措施是實現茶園智能化管理的重要前提，但目前在先進傳感器、決策算法、智能機械裝備等方面均存在較大短板，需要在以下3個方面加強研究。

3.1? 先進傳感器研發

研究可靠的快速感知技術，研發高精度、可靠性強的農業專用傳感器，同時研究多傳感器的時空同步采集、高效組網傳輸、多模態數據融合處理及實時在線解析等關鍵技術，用于大量不同參數的快速獲取。

3.2? 智能決策管理模型

目前“智慧茶園”系統的瓶頸之一是決策模型缺乏，形成了有數據無算法的困境，因此需要深化茶樹領域相關的農業模型研究，為茶園管理與作業過程的智能化決策提供依據。針對物聯網引入的海量數據，需要研發大數據驅動的知識共享與綜合輔助決策模型，通過知識和數據相結合的決策模型，將精準決策與智能算法進行有效關聯，進行預測評判，為生產作業提供智能化決策。

3.3? 智能茶園機械裝備

需要開展茶園機械裝備作業過程實時分析、智能化決策與控制前期研究，建立茶園農機智能化、精準化作業技術儲備。但由于茶樹種植相關的機械化程度仍然很低，除了研制自動化程度高的大型茶園機械外，還需要針對分布較廣的山地丘陵茶園，加強結構簡單、易于操作的輕小型機械的研發，提高我國茶樹種植的機械化水平。

參考文獻

[1] 姜仁華， 熊興平， 姚明哲. 我國茶葉科技“十三五”進展及“十四五”發展思考[J]. 中國茶葉， 2021， 43（9）： 17-24.

[2] 蔡健波. 新形勢下茶園種植成本控制管理研究[J]. 中國鄉鎮企業會計， 2020（10）： 91-92.

[3] 阮建云， 季凌飛， 申瑞寒， 等. 茶樹栽培研究“十三五”進展及“十四五”發展方向[J]. 中國茶葉， 2021， 43（9）： 58-65.

[4] 羅錫文， 廖娟， 臧英， 等. 我國農業生產的發展方向： 從機械化到智慧化[J]. 中國工程科學， 2022， 24（1）： 46-54.

[5] 趙春江. 智慧農業的發展現狀與未來展望[J]. 華南農業大學學報， 2021， 42（6）： 1-7.

[6] 疏再發， 吉慶勇， 金晶， 等. 智慧茶園技術集成與應用[J]. 中國茶葉， 2022， 44（3）： 10-16， 20.

[7] 張銘銘， 唐小林， 范起業， 等. 我國茶葉機械研究進展與展望[J]. 中國茶葉加工， 2021（4）： 5-9.

[8] 謝鵬安， 鄭澤鋒. 廣東省茶葉生產全程機械化技術現狀與展望[J]. 現代農業裝備， 2021， 42（3）： 83-86.

[9] 李金瓊， 陳思羽， 肖世偉， 等. 物聯網技術在精準農業中的應用[J]. 中國科技信息， 2022（4）： 84-86.

[10] 顏瑞， 王震， 李言浩， 等. 中國農業智能傳感器的應用、問題與發展[J]. 農業大數據學報， 2021， 3（2）： 3-15.

[11] 趙玉成， 谷小青， 頓文濤， 等. 無線傳感器網絡在土壤肥力監測中的應用[J]. 現代農業科技， 2013（9）： 242-243， 246.

[12] 李金生， 傅康. 淺析農業氣象信息傳感器的發展和應用[J]. 南方農機， 2020， 51（13）： 79.

[13] 李明星. 傳感器在智慧農業中的應用分析[J]. 現代化農業， 2021（9）： 71-72.

[14] 牛冠錚. 基于單片機控制的農業智能灌溉系統中傳感器應用研究[J]. 現代化農業， 2021（4）： 71-72.

[15] 矯雷子， 董大明， 趙賢德， 等. 基于調制近紅外反射光譜的土壤養分近場遙測方法研究[J]. 智慧農業（中英文）， 2020， 2（2）： 59-66.

[16] NING J M， SHENG M， YI X Y， et al. Rapid evaluation of soil fertility in tea plantation based on near-infrared[J]. Spectroscopy Letters， 2018， 51（9）： 463-471.

[17] 李鵬超. 基于ZigBee無線傳感器網絡的農業大田數據監測系統設計與實現[D]. 西安： 長安大學， 2018.

[18] 張伊萌. 面向智慧農業的大規模傳感器數據采集系統[D]. 上海： 上海交通大學， 2018.

[19] 陳宏， 吳建德. 基于傳感器和電力線載波通信的智慧農業物聯網研究[J/OL]. 光通信技術， 2022. http：//kns.cnki.net/kcms/detail/45.1160.TN.20220415.1053.002.html.

[20] 彭漢艮， 倪軍， 陳可. 農業傳感器發展態勢研究[J]. 江蘇農機化， 2021（4）： 25-27.

[21] 黃邵東， 徐偉恒， 吳超， 等. 遙感在茶園監測中的應用研究進展[J]. 西部林業科學， 2020， 49（2）： 1-9， 23.

[22] WANG B， LI J， JIN X F， et al. Mapping tea plantations from multi-seasonal landsat-8 OLI imageries using a random forest classifier[J]. Journal of the Indian Society of Remote Sensing， 2019， 47（8）： 1315-1329.

[23] LI N， ZHANG D， LI L W， et al. Mapping the spatial distribution of tea plantations using high-spatiotemporal-resolution imagery in Northern Zhejiang， China[J/OL]. Forests， 2019， 10（10）： 856. https：//doi.org/10.3390/f10100856.

[24] XU W H， QIN Y W， XIAO X M， et al. Quantifying spatial-temporal changes of tea plantations in complex landscapes through integrative analyses of optical and microwave imagery[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 73： 697-711.

[25] 徐偉燕， 孫睿， 金志鳳. 基于資源三號衛星影像的茶樹種植區提取[J]. 農業工程學報， 2016， 32（s1）： 161-168.

[26] 黃春娟， 趙尹強， 易小蓉. 基于GIS的云南南澗茶樹種植氣候適宜性區劃[J]. 農業與技術， 2019， 39（24）： 116-121.

[27] 胡波， 金志鳳， 李穎， 等. 江南茶區茶樹栽培綜合適宜性評價[J]. 氣象科技， 2018， 46（2）： 390-395.

[28] RAMADANNINGRUM D P， KAMAL M， MURTI S H. Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images[J/OL]. Remote Sensing Applications： Society and Environment， 2020， 20： 100424. https：//doi.org/10.1016/j.rsase.2020.100424.

[29] FAUZIANA F， DANOEDORO P， MURTI S H. Linear spectral mixture analysis of SPOT-7 for tea yield estimation in pagilaran estate， batang central java[J/OL]. IOP Conference Series： Earth and Environmental Science， 2016， 47（1）： 012034. https：//doi.org/10.1088/1755-1315/47/1/012034.

[30] 陳仲新， 郝鵬宇， 劉佳， 等. 農業遙感衛星發展現狀及我國監測需求分析[J]. 智慧農業， 2019， 1（1）： 32-42.

[31] 王嬌嬌， 徐波， 王聰聰， 等. 作物長勢監測儀數據采集與分析系統設計及應用[J]. 智慧農業， 2019， 1（4）： 91-104.

[32] TU Y X， BIAN M， WAN Y K， et al. Tea cultivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV[J/OL]. PeerJ， 2018， 6： e4858. https：//doi.org/10.7717/peerj.4858.

[33] 吳偉斌， 李佳雨， 張震邦， 等. 基于高光譜圖像的茶樹LAI與氮含量反演[J]. 農業工程學報， 2018， 34（3）： 195-201.

[34] YAMASHITA H， SONOBE R， HIRONO Y H， et al. Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms[J/OL].

Scientific Reports， 2020， 10（1）：17360. https：//doi.org/10.1038/

s41598-020-73745-2.

[35] SONOBE R， HIRONO Y， OI A. Non-destructive detection of tea leaf chlorophyll content using hyperspectral reflectance and machine learning algorithms[J/OL]. Plants， 2020， 9（3）： 368. https：//doi.org/10.3390/plants9030368.

[36] WANG Y J， LI T H， JIN G W， et al. Qualitative and quantitative diagnosis of nitrogen nutrition of tea plants under field condition using hyperspectral imaging coupled with chemometrics[J]. Journal of the Science of Food and Agriculture， 2020， 100（1）： 161-167.

[37] 劉連忠， 李孟杰， 林源豐， 等. 基于圖像處理的茶樹含氮量診斷方法初步研究[J]. 北華大學學報（自然科學版）， 2019， 20（1）： 114-120.

[38] WANG Y J， JIN G， LI L Q， et al. NIR hyperspectral imaging coupled with chemometrics for nondestructive assessment of phosphorus and potassium contents in tea leaves[J/OL]. Infrared Physics & Technology， 2020， 108： 103365. https：//doi.org/10.1016/j.infrared.2020.103365.

[39] 吳彬， 楊詠鋼， 李艷芳， 等. 茶園可視化農業氣象信息動態監測預警系統研制及試驗[J]. 計算機測量與控制， 2018， 26（8）： 195-199.

[40] 海濤， 陸猛， 黃光日， 等. 基于LPWAN物聯網云平臺的茶園監控系統設計[J]. 河北農業大學學報， 2021， 44（5）： 93-99.

[41] 徐松鐳， 楊昊. 基于物聯網的光伏茶園監測系統設計[J]. 信息與電腦（理論版）， 2021， 33（1）： 95-96.

[42] 陳玉. 基于物聯網技術的智慧茶園管理系統設計[D]. 曲阜： 曲阜師范大學， 2020.

[43] 陳義勇， 黎健龍， 周波， 等. 茶園生境智慧管控技術助推廣東茶產業可持續健康發展[J]. 廣東農業科學， 2020， 47（12）： 193-202.

[44] 王圓. 智慧茶園專家系統的設計與實現[D].曲阜： 曲阜師范大學， 2021.

[45] 付文哲. 一種茶園噴灌系統： 208657549U[P]. 2019-03-29.

[46] 張艷. 基于PLC茶園變頻恒壓噴灌自動控制系統的設計[J]. 農技服務， 2015， 32（12）： 4-7.

[47] 湖州職業技術學院.一種茶園自動噴灌系統： 208387486U[P]. 2019-01-18.

[48] 蔡彬， 繆子梅， 褚琳琳， 等. 基于無線傳感網絡的茶園智能化噴灌系統[J]. 節水灌溉， 2017（11）： 93-96.

[49] 朱登勝， 方慧， 胡韶明， 等. 農機遠程智能管理平臺研發及其應用[J]. 智慧農業（中英文）， 2020， 2（2）： 67-81.

[50] 宋志禹， 韓余， 丁文芹， 等. 茶園機械研究“十三五”進展及“十四五”發展方向[J]. 中國茶葉， 2021， 43（10）： 26-33.

[51] 廖念禾， 吳維雄， 殷雨翔， 等. 丘陵山區茶園種植機械化現狀分析[J]. 農機使用與維修， 2021（3）： 141-142.

[52] 張銘銘， 唐小林， 范起業， 等. 我國茶葉機械研究進展與展望[J]. 中國茶葉加工， 2021（4）： 5-9.

[53] 胡小鹿， 梁學修， 張俊寧， 等. 中國智能農機裝備標準體系框架構建與研制建議[J]. 智慧農業（中英文）， 2020， 2（4）： 116-123.

基金項目：國家重點研發計劃（2021YFD1601101）。

作者簡介：程俊杰，男，主要從事茶樹表型圖像識別研究。*通信作者，E-mail：nikang@tricaas.com。