名優茶采摘機器人關鍵技術研究

陳光明 毛奔 章永年

摘要：目前我國仍采用傳統的人工方式采摘名優茶，實現名優茶機械化、智能化、高效率采摘成為當前一個研究熱點。從名優茶嫩芽的識別和定位、機械臂的設計、末端執行器的設計等方面，介紹國內外名優茶采摘機器人的研究進展、特點，指出當前采茶機器人存在識別定位較差、采摘速度較慢等問題。研發具有普適性和通用性的嫩芽識別定位算法、高效的采摘機械臂及其控制系統、具有保護性的柔性末端執行器都是未來名優茶采摘機器人需要解決的關鍵問題。

關鍵詞：名優茶采摘；茶葉嫩芽檢測；機械臂；末端執行器

中圖分類號：S225.99： TP242.6

文獻標識碼：A

文章編號：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

茶葉是中國的重要飲品之一，飲茶文化歷史深厚。隨著國內經濟的繁榮，人們對名優茶的需求也在穩步提高。而茶葉是一種季節性非常強的農作物，茶葉的采摘周期短，采茶工人勞動強度大。當前農業勞動力的流失，嚴重影響了茶產業的發展。因此，研究名優茶采摘機器人對茶產業的發展有重要的意義。

采茶機械最早是日本等西方發達國家開始研究的，經過多年的研究國內外已經基本實現了大宗茶機械化采摘，其中往復切割式采茶機由于出色性能得到廣泛應用［1］。例如1980年中國農業科學院茶葉研究所研制了雙人往復切割式采茶機；2012年農業部南京農業機械化研究所研制了4CJ-20型乘坐自走式全自動采茶機；2020年安徽農業大學研制了一種履帶式智能采茶機器人。大宗茶采茶機的出現有效地解決了人工緊缺的問題，減少了采摘不及時造成的損失，但大宗茶采茶機一刀切的采摘方式會導致采摘的茶葉嫩芽完整度差、夾雜老葉等問題，這樣的茶葉并不符合名優茶的標準。高檔名優茶對茶葉的品質要求極為嚴格，而現有的采茶設備無法滿足名優茶采摘要求，所以當前依然以人工方式進行采摘［2］。為了改善名優茶只有人工采摘的現狀，國內的高校和科研院所對名優茶采摘的智能裝備展開了初步研究。

名優茶采摘機器人的設計是多學科技術的融合，視覺系統識別定位茶葉嫩梢是有選擇采摘的前提；移動速度快、定位精度高的機械臂是保證采摘效率的關鍵；適用于名優茶采摘的柔性末端執行機構是保證茶葉品質的關鍵；同時研制適用于茶園復雜路面情況的自走式底盤也至關重要。本文通過名優茶嫩芽的識別和定位、機械臂的設計、末端執行器的設計等方面對國內外的研究現狀進行分析并提出展望，對未來名優茶采摘機器人的設計研究提供參考。

1 茶葉嫩芽的識別與定位

隨著計算機視覺的發展，茶葉嫩芽的識別和定位也逐漸實現。為解決一刀切式采茶機存在的采摘無選擇性問題，國內各大高校、科研院對此展開了研究。

1.1 茶葉嫩芽的識別

由于茶葉嫩芽和老葉在色澤和形態上存在明顯差異，茶葉嫩芽相比于老葉顏色較淺、葉片形狀呈細長狀，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行的。國內對此方面的研究最早開始于2009年，楊福增等［3］基于白色背景下對午子仙毫茶葉嫩芽的顏色和形狀特征展開研究，設計了一種區分茶葉嫩芽和老葉的方法，以顏色和形狀特征為基礎：先以圖像中的G分量作為色彩因子，通過雙閾值法對茶葉圖像進行分割，結合邊緣檢測的方式對茶葉嫩芽進行識別。試驗結果表明此方法識別茶葉嫩芽的準確率達到94%，并且通過逐行掃描的方法，解決了在白色背景下重疊茶葉嫩芽的檢測。汪建［4］提出基于新梢嫩芽顏色特征對在HIS空間中，由H以及S參數選取種子，通過區域生長和合并進行分割成功識別了茶葉嫩芽。

在相比于實際采茶環境，單一背景環境下干擾因素較少，茶葉嫩芽識別成功率較高，但是實際采茶環境中的光照、自然風等因素等都會對茶葉嫩芽識別的產生影響。為了消除光線對茶葉識別的影響，吳雪梅等［5］基于茶葉嫩芽與背景的G和GB顏色分量差異，通過改進的OTSU算法確定分割閾值，并利用膨脹腐蝕算法消除噪聲。研究結果表明此算法適用于相機距離茶葉嫩芽10cm的圖像，準確率達到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別自然條件下的茶葉嫩芽，試驗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別不準確的問題。黃濤等［7］在HSV顏色空間下，利用Tenengrad梯度值的上四分位數作為清晰度初選閾值獲取較為清晰的圖像，結合K-means聚類分割算法完成自然環境下的嫩芽圖像分割。試驗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分割的現象。Li等［8］在RGB顏色空間下，提出了一種支持向量機的茶葉嫩芽識別算法，將茶葉嫩芽的顏色和形狀紋理特征作為特征向量訓練樣本，結合支持向量機的分類方法進行圖像識別，試驗結果表明此方法在識別率、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別，此模型基于YOLOX模型加入了SE模塊和Soft NMS算法。試驗表明此模型在目標嫩芽數量較多的情況下此模型的平均檢測精度達到了86.3%，比原模型提高了2.2%。Xu等［10］結合YOLOv3的快速檢測能力和DenseNet201的高精度分類能力，實現了對茶芽的準確檢測。試驗結果表明，該方法對側側面拍攝的茶芽圖像的檢測準確率為95.71%，頂部拍攝的圖像檢測準確率提高了10.60%。

1.2 茶葉嫩芽采摘點的定位

在視覺系統識別茶葉嫩芽的前提下，進一步確定茶葉嫩芽的采摘位置是完成嫩芽采摘的重要環節。2012年韋佳佳等［11］研究了茶葉嫩芽在5種顏色空間的表現，并提取了便于區分嫩芽和背景的色彩因子，經過灰度化處理、二值化分割和濾波處理后成功識別出茶葉嫩芽，并且通過質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別與定位的方法，即基于新梢嫩芽顏色特征通過主動視覺技術識別茶葉嫩芽，并獲取嫩芽的二維位置信息，然后基于光柵投影輪廓術進一步確定目標新梢嫩芽的高度信息，以實現自然條件下茶葉嫩梢的定位。裴偉等［13］通過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作為采摘點。陳妙婷［14］基于茶葉的顏色和紋理特征識別嫩芽，通過對預測框內的嫩芽圖像提取骨架，尋找骨架最下方點來判斷嫩芽采摘點的位置。試驗表明此方法能夠準確地識別茶葉嫩芽，定位采摘點。姜宏濤等［15］通過分析茶葉嫩芽的顏色特征發現，GB分量能明顯區分茶葉嫩芽和背景，將BM3D去噪算法和灰度拉伸法引入傳統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作為嫩芽的采摘點，通過SURF算法提取特征點，結合雙目相機測距原理獲得采摘點三維坐標。龍樟等［16］在自然場景下基于超綠特征提出了一種茶葉嫩芽的圖像分割方法，圖像預處理后利用OTSU法完成嫩芽圖像的分割，同時結合邊緣檢測和骨架化處理后獲取采摘點在圖像中的像素坐標。Chen等［1718］基于深度學習提出了一種茶葉嫩芽采摘點識別的算法，利用基于區域卷積神經網絡（faster R-CNN）來識別圖像中的茶葉嫩芽，隨后通過全卷積網絡（FCN）識別茶葉嫩芽的采摘點。試驗表明：嫩芽識別的準確率為79%，采摘點識別的平均準確率為84.91%。Wang等［19］提出了一種基于區域的卷積神經網絡（R-CNN），建立了茶葉嫩芽采摘點的識別模型。利用Resnet50殘差網絡和特征金字塔網絡（FPN）提取茶芽和茶葉特征，并通過區域提議網絡（RPN）對特征圖進行初步分類和預選框回歸訓練。利用區域特征聚合方法（RolAlign）消除量化誤差，將預選感興趣區域（Rol）的特征圖轉換為固定大小的特征圖，通過輸出的掩模圖像和定位算法確定茶芽和茶葉采摘點的位置。試驗結果表明，該方法的平均檢測準確率達到93.95%，召回率達到92.48%。

綜上所述，茶葉嫩芽識別算法主要基于傳統圖像處理技術、機器學習、深度學習三種技術完成嫩芽的識別。傳統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行圖像的分割，光照的不同對分割結果有很大的影響，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。在基于機器學習的嫩芽識別算法中，常用無監督學習的K-means聚類算法和有監督學習的支持向量機分類法（SVM），其特征樣本數據訓練的時間短。而基于深度學習的圖像識別算法適用于較為復雜的自然環境下，如果樣本量足夠大，其不僅能準確識別茶葉嫩梢，同時也能精確地區分出名優茶的類型（單芽、一芽一葉），具有較強的魯棒性，雖然前期樣本訓練的時間較長，但檢測所需時間短，效果較好。

2 采茶機械臂

為了提高名優茶采摘機器人在茶園中的行走通過性，目前國內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境的復雜性，如長春理工大學設計的履帶自走式采茶機器人、青島科技大學設計的跨壟式移動底盤。視覺系統在完成茶葉嫩芽識別與定位后，將嫩芽的位置信息傳輸到機械臂，機械臂帶動末端執行器到達采摘位置。為了保證采茶精準度和效率，國內外采茶機器人常借鑒的工業機器人結構設計采摘嫩芽的機械臂。應用到茶葉采摘的工業機械臂主要分為三種：串聯機器人、并聯機器人和直角機器人。

2.1 串聯機器人

串聯機器人技術成熟、工作空間大、結構簡單、制造成本低、控制簡單、在農業領域應用廣泛，目前現有的果蔬菜采摘機器人大多采用串聯機器人作為機械臂的主體。近年來采茶機器人也采用串聯機器人作為采摘茶葉的機械臂主體。汪琳［20］提出以SCARA機器人作為的采茶機器人手臂，并采用多個SCARA機器人同時進行采摘作業，以提高茶葉采摘效率和質量，如圖1（a）所示。其提出使用五次多項式插值法對SCARA機器人點到點的運動軌跡進行規劃，并設計了自適應魯棒PD控制器，仿真結果表明自適應魯棒PD控制器能夠很好地應用于SCARA機器人。段勇強［21］采用六自由度串聯機器人作為采摘機械臂，并使用PSO算法進行路徑規劃，仿真結果表明此算法適用于采摘路徑的規劃，如圖1（b）所示。

2.2 并聯機器人

并聯機器人具有較強的承載能力、較高的精度和較小的末端運動慣性，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械臂主體。高鳳［22］選擇Delta機構作為機器人主體結構，并進行了機器人的結構設計，如圖2（a）所示。其利用雅克比矩陣確定了機器人奇異位置，經過運動學和動力學分析，確定了其機械臂的工作空間。尚凱歌［23］設計了一種多臂跨壟式的茶葉采摘機器人，采用Delta機構作為機械臂部分，并對其工作空間和運動學仿真進行了研究分析，以此證明其滿足茶葉采摘的需求，如圖2（b）所示。

馬智斌［24］提出一種并聯式自動采茶機，建立運動學模型，設計改進了一種適用于茶葉采摘工況下的Delta機器人運動軌跡，并利用改良后的蟻群算法，規劃茶葉采摘路徑，如圖2（c）所示。軟件模擬采摘試驗數據表明，最優路徑距離相比經典蟻群算法優化0.8%～2%，迭代次數減少約20%，采茶機器人完成一個工作循環運行時間相較于經典蟻群算法減少0.24%～2.03%，相較于人工采摘減少18.54%～3.35%。

2.3 直角坐標機器人

直角坐標機器人具有工作空間大、制造成本低等優點，適用于茶葉采摘。陸鑫等針對現有龍門式茶葉采摘機器人成本高、作業效率低的缺點，改進設計了雙臂式采摘機器人，如圖3（a）所示。機械臂采用直角坐標式結構，其中X軸采用雙臂式結構，保證了機械臂的穩定性；試驗結果表明：采用雙臂結構可以大大提高茶葉的采摘效率，平均每小時完成采摘動作3 581次，相比單臂效率提高了83%。郝淼［25］采用直角坐標機器人作為采茶機械臂，其工作空間為1.4m×0.5m×0.6m能夠覆蓋整個茶壟，機械臂能夠沿著各坐標軸以0.3m/s的速度移動，如圖3（b）所示。

3 末端執行器

茶葉嫩芽較為嬌弱、外形多變及生長環境復雜。末端執行器設計不僅會影響采摘機器人的整體效率和準確率，同時將直接決定的茶葉嫩芽的品質。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旋轉手腕將嫩芽拉斷。國內外學者大多數都是依照這兩種采摘手法設計了適用于名優茶采摘的末端執行器。

2009年駱耀平等［26］對茶葉嫩芽的生長規律進行了研究，其中主要包括茶葉嫩芽的第一節間、第二節間與展葉角度等參數，此研究對茶葉嫩芽末端執行器的設計具有指導意義。申友航［27］設計了一種茶葉單芽采茶機，采摘動作分為3個過程：待機、采摘、收集；采摘手指到達采摘點后，在電機的驅動下手指閉合、旋轉盤帶動閉合的采摘手指完成采摘動作，電機繼續旋轉至收集箱的位置，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］設計了一種夾提式茶葉嫩芽末端執行器，不同于基于機械視覺的嫩芽識別與定位，其提出根據研究一芽一葉、一芽兩葉、老葉葉柄的拉斷力，對夾持件施加不同的夾持力，實現茶葉嫩梢有選擇的采摘茶葉。通過試驗表明對于長勢均勻茶樹棚，此結構可以滿足有選擇性地采摘茶葉。牟順海等［29］設計的剪切式茶葉采摘末端執行器，電機驅動曲柄連桿機構使刀片閉合，茶葉嫩芽被剪斷之后落入葉片收集槽中，完成采摘動作。范元瑞［30］設計的指型采摘器，安裝在并聯機器人動平臺上，在推拉式電磁鐵驅動柔性指尖的開合，指尖位置安裝過盈橡膠墊片，既能夾緊茶葉嫩梢，又保證了在采摘過程中不損傷茶葉嫩。劉俊峰等［31］設計了一種的提手采式的仿生采摘指機構，采摘嫩芽時兩對夾指夾在茶葉嫩芽葉梗的不同位置，芯軸帶動一對夾指向上移動拉斷葉梗，另一對夾指保持不動，完成采摘工作。試驗結果顯示采摘成功率達到90%，如圖4（a）所示。羅坤等［32］設計了一種適用于高檔名優茶采摘的捏切組合式末端執行器，并且通過算法控制電機的轉動，減小了電機的振動，保證末端運行的平穩性。試驗表明采摘器的單次作業時間小于0.6s，采摘成功率達到100%，如圖4（b）所示。Motokura等［33］設計了一種提拉式茶葉采摘機器人。機械手臂選用Jaco2，它是一個六自由度機械臂，末端有兩個手指。機械手臂通過多次學習提拉采摘茶葉的動作，實現模擬人手完成采摘茶葉動作；試驗結果表明機械臂可以實現手工采摘茶葉的復雜動作。

4 展望

縱觀國內外名優茶采摘機器人的研究歷程和現狀，大宗茶采茶機研究趨于成熟、應用廣泛，名優茶采摘機器人還處于研究和試驗階段。當前名優茶采摘機器人的研究還存在以下問題：在自然環境中，陽光、自然風、葉片遮擋、葉片重疊等因素都會對茶葉嫩芽的識別產生影響。隨著機器視覺的發展，消除光照對嫩芽識別影響的研究逐漸成熟，但葉片遮擋、嫩芽重疊、嫩芽晃動等因素對識別算法的影響還需要深入研究。采摘機械臂和末端執行器執行采摘動作速度較慢，末端執行器的結構較為復雜且對嫩芽的保護性不夠。針對以上問題本文提出以下展望。

4.1 建立豐富樣本數據庫，研發通用性識別算法

隨著深度學習應用到茶葉嫩芽的識別和定位算法中，其為深入研究嫩芽識別和定位算法提供了一種可能，但深度學習需要大量的樣本數據支撐。同種茶樹在不同的地區、不同的種植模式、不同的光照條件、不同的季節中形態和顏色會存在差異，建立豐富的樣本數據庫是提高嫩芽識別和定位準確性的保障，同時研發適用于名優茶識別和定位的深度學習模型是提高算法普適性的關鍵。

4.2 研發多采摘機械臂及其控制策略

機械臂的設計是保證茶葉采摘效率和精準度的關鍵因素之一，相比于其他類型機械臂并聯機構有速度快、精度高、慣性小等優點。多機械臂協同工作不僅會提高采摘的效率，也會擴大整體的工作空間。因此研究多機械臂協同作業的控制策略是非常必要的，同時要將茶葉嫩芽因晃動的引起的定位誤差考慮在內。

4.3 研發高效且具有保護性的柔性末端執行器

相比于模仿提手采設計的末端執行器，模仿掐采的采摘動作更快，采摘動作結束后，茶葉嫩芽的收集裝置對采摘末端執行器整體效率會產生較大的影響。剛性末端執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問題。因此設計適用于茶葉嫩芽采摘末端應具有低自由度、結構簡單輕便、運行速度快、具有保護性。

參 考 文 獻

［1］ 權啟愛. 采茶機械的研制和我國采茶機械化事業的發展［J］. 中國茶葉， 2018， 40（8）： 14-17.

［2］ 唐力新. 浙江名茶［M］. 杭州： 浙江工商大學出版社， 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別方法［J］. 農業機械學報， 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. 結合顏色和區域生長的茶葉圖像分割算法研究［J］. 茶葉科學， 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別方法研究［J］. 茶葉科學， 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］. 黑龍江八一農墾大學學報， 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］. 湖北農業科學， 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改進模型的茶葉嫩芽識別方法［J］. 廣東農業科學， 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. 自然環境下茶樹嫩梢識別方法研究［J］. 茶葉科學， 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. 基于主動計算機視覺的茶葉采摘定位技術［J］. 農業機械學報， 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的提取［J］. 浙江農業學報， 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. 基于計算機視覺的名優茶嫩芽識別與定位［D］. 青島： 青島科技大學， 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. 采茶機械手嫩芽識別與定位方法研究［J］. 機械與電子， 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. 茶葉嫩芽視覺識別與采摘點定位方法研究［J］. 傳感器與微系統， 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機械手的采茶機器人研究［D］. 合肥： 中國科學技術大學， 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. 基于機器視覺的智能采茶機械手控制系統研究［D］. 恩施： 湖北民族大學， 2021.

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

［22］ 高鳳. 名優茶并聯采摘機器人結構設計與仿真［D］. 南京： 南京林業大學， 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. 茶葉采摘機器人機械結構設計及控制系統研究［D］. 長春： 長春理工大學， 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. 并聯式自動采茶機控制系統研究［D］. 青島： 青島科技大學， 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. 高檔名優綠茶嫩芽識別與仿生采摘指研究［D］. 南京： 南京林業大學， 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. 茶樹新梢節間與展葉角度生長變化及對名優茶機采的影響［J］. 浙江大學學報（農業與生命科學版）， 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［P］. 中國專利： CN107580869A， 2018-01-16.

［28］ 許麗佳， 劉琦， 代建武， 等. 茶葉嫩梢采摘末端執行器的設計研究［J］. 茶葉科學， 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. 茶葉采摘機器手采摘剪刀設計及仿真［J］. 西南師范大學學報（自然科學版）， 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. 并聯式自動采茶機的設計與研究［D］. 青島： 青島科技大學， 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. 高檔名優綠茶仿生采摘指氣動控制系統研制［J］. 中國農機化學報， 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計與試驗［J］. 農業工程學報， 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.