茶葉智能機械化采摘技術與裝備研究進展

摘要：為實現茶葉的智能機械化采摘，以增產增量、節約成本、增加市場競爭力、滿足數字農業農村的發展需求，圍繞末端執行器、檢測與定位、采摘順序規劃等限制茶葉采摘機械裝備發展的關鍵技術展開綜述，對研究現狀進行闡述和分析，總結當前茶葉智能機械化采摘領域突出研究成果。當前受茶園環境的非結構化性影響，茶葉智能機械化采摘存在末端執行器實時性較低、檢測與定位算法精度受非線性光照變化影響大、茶葉采摘順序規劃算法的全局尋優實時性較差。對發展低損傷、高效率的智能機械化茶葉采摘裝備提出開發剪切—收集一體式末端執行器、研究融合多尺度特征的小目標精準檢測算法、設計多機械臂連貫采摘順序規劃方法、推進農機與農藝結合等發展建議。以期為促進我國茶葉智能機械化采摘裝備的研究與推廣提供參考。

關鍵詞：茶葉采摘機器人；末端執行器；檢測定位；采摘順序規劃

中圖分類號：S225.93" " " 文獻標識碼：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量最高的國家。據統計，2022年，我國茶葉產量為3 181 kt；2023年，茶葉產量達到3 339 kt。同時，茶葉采摘成本占到整個茶葉生產成本的60%[1， 2]，且采摘方式都是以人工采摘為主、半機械采摘為輔。受我國城鎮化和人口老齡化影響，農村青壯年勞動力日益減少，使季節性強、勞動強度大的茶葉采摘環節面臨成本高的問題[3]。為了提高茶葉采摘效率、降低人工成本、填補茶葉智能機械化采摘的技術空缺[4]，迫切需要加快茶葉智能機械化裝備的研究[5， 6]。茶葉可分為大宗茶和名優茶，名優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。人工方法進行茶葉采摘時，能準確區分嫩芽與嫩葉，按照品質進行選擇性采摘。但人工作業效率低且成本在逐年增高，不利于茶葉產業的可持續健康發展。茶葉機械化采摘經過幾十年發展出現了一些機械化往復切割式采茶機，可以有限地提高人工采茶效率，但人工參與過程較多，并且會對茶葉和茶樹有一定的損傷，同時采摘的品質也達不到上乘，大多在大宗茶的采摘中使用，屬于一刀切的采摘方式。茶葉產業采收機械化程度低的問題，促進了國內外對于采茶機器人的研究。隨著人工智能技術、機電一體化技術的發展，智能機器人在農業不斷應用，茶葉機械智能化采摘也逐漸開始發展起來。本文圍繞茶葉智能機械化采摘技術與裝備的發展現狀進行綜述和剖析，并歸納總結當前對于智能化茶葉采摘過程中存在的不足之處，提出有關茶葉智能化采摘的改進方向以及展望。

1 末端執行器

末端執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效率和茶嫩芽的品質。當前對于果蔬采摘的末端執行器研究已經取得不錯的進展，但由于茶葉嫩芽采摘難度較高，一是茶葉嫩芽體型小，二是機械采摘中的損傷會影響茶葉的口感和品質，這些因素都給采摘末端執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，設計了一種“提拉式”手持名優茶嫩梢采摘機械手，將機械手放置在茶葉上方，當檢測到茶葉后，機械手由舵機帶動主動手指進行旋轉并配合從動手指將茶葉嫩芽夾斷，使用Design-Expert 11.0軟件優化影響因素，試驗結果表明，采摘成功率為74.3%，3次采摘平均速度為25.2個/min。范元瑞[8]基于Delta并聯機器人，結合仿生學概念并通過力學分析設計了一種指型采摘末端執行器。該末端執行器使用推拉式電磁鐵作為驅動核心，通過對電流的通斷進行控制，使其進行往復運動來進行茶葉采摘，同時在采摘指尖位置安裝了橡膠墊來保護嫩芽，降低對茶葉嫩芽的損傷。尚凱歌[9]分析茶葉形狀尺寸特點，提出了一種由微型氣缸作為核心驅動的茶葉采摘末端執行器，采摘時，機械手爪處于打開狀態，通過氣缸推動四桿機構使得機械手爪閉合對茶葉進行采摘。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，設計了一種柔性捏切式采摘器。該設計巧妙利用凸輪的形狀，先使刀片閉合進行捏切，再揚拋茶葉進行收集，該采摘器在接觸茶嫩芽末端使用了柔性海綿塊，降低了在采摘時對于茶葉嫩芽的損傷，試驗表明該機器采摘品質與人工采摘品質無異，達到了名優茶采摘標準。許麗佳等[11]基于茶葉物理學特性設計了一種可夾提式茶葉嫩梢的末端執行器，試驗結果表明，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]設計一種曲柄滑塊機構的茶葉采摘末端執行器，該末端執行器由氣缸推桿帶動刀片開合對茶葉進行采摘，并通過真空裝置將采摘后的茶葉嫩芽進行收集。陳勇等[13]設計了一種“提手采”的茶葉仿生采摘手指末端執行器，該執行器在定位到茶葉后，然后將茶葉固定，并通過提拉等動作將茶葉的莖拉斷，對茶葉進行采集。郝淼等[14]設計了仿生采摘手爪式末端執行器，該執行器仿照人工采摘時“提手采”的動作進行采摘，由氣力進行驅動，室內試驗結果表明：采摘成功率接近70%。林桂潮等[15]設計了一種剪切—采收一體式的茶葉采摘末端執行器。該末端執行器利用曲柄搖桿機構對茶葉嫩芽進行采摘，并且利用曲柄搖桿機構的慣性將采摘后的嫩芽拋至機器后端的收集盒中，從而完成采摘—收集工作。田間試驗結果，該末端執行器的采摘成功率為75%，平均采摘時間為1.5 s，可以滿足茶葉采摘機器人的作業需求。

當前針對茶葉采摘末端執行器研究多采用機械剛性結構，存在兩個問題：一是大多末端執行器沒有配套收集裝置，要求機器臂運動至某個位置釋放茶葉，茶葉采摘效率不高；二是末端執行器結構復雜，穩定性有待提高。在茶葉采摘末端執行器的研究中，應當考慮增加柔性材料的使用，在機器采摘速度提升時考慮機器的持續工作能力，提高末端執行器的整體效率。

2 檢測與定位方法

茶嫩芽檢測與定位是茶葉智能機械化采摘裝備進行作業的首要前提。隨著計算機技術的不斷發展，涌現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習的檢測方法。

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，大多研究根據茶嫩芽的顏色、形狀或紋理特征，應用機器學習方法或數字圖像處理技術進行檢測。吳雪梅等[16]使用Lab顏色空間中的a、b分量構造色差圖，分別使用K-means聚類法和Ostu法對茶葉進行識別。結果表明，K-means聚類法能較好的區分圖像中的嫩芽和背景，同時對嫩芽分割完整度較高，優于Ostu法。張可等[17]首先對R-B和b分量進行閾值分割，其次在Lab顏色空間上使用K-means聚類法進行茶葉嫩芽分割，有效地識別嫩芽。Zhang等[18]使用最小誤差法得到最佳自適應閾值，利用分段增強線性變換增加嫩芽與背景的差異，最后使用改進的分水嶺算法進行識別。結果表明：改進后的算法平均分割準確率為95%。韋佳佳[19]在研究顏色特征對茶葉嫩芽的影響后，對多個顏色空間進行灰度化處理，找到各顏色空間中最為突出嫩芽區域的色彩因子，隨后使用合適的濾波窗口對二值圖像進行濾波，最后對圖像進行形態學處理分割出茶葉嫩芽，取得了不錯的效果。黃海軍等[20]將Ostu和分水嶺算法結合起來，使茶葉圖像經過兩次分割，結果表明：該方法能夠很好地檢測茶葉嫩芽。

2.2 基于深度學習的檢測方法

近幾年，隨著深度學習領域的不斷發展，在農業中也相繼出現許多研究。相比傳統的圖像分析方法，深度學習技術在茶嫩芽檢測中也展現出了更好的效果[21]。許高建等[22]對比了多種特征提取網絡的Faster R-CNN深度網絡模型，結果表明：當使用VGG16作為特征提出網絡時，茶嫩芽檢測效果最好。Yang等[23]在YOLOv3的基礎上，使用圖像金字塔提取不同尺度的茶嫩芽特征，并加入殘差網絡塊，訓練后的模型識別正確率高于90%。孫肖肖等[24]首先結合超綠特征和OSTU算法對復雜背景的茶葉嫩芽進行預處理，然后將YOLO架構應用在復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%，證明了卷積神經網絡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基礎。

綜上所述，以上兩種方法在茶葉嫩芽檢測中都有不錯的效果。其中，基于深度學習的檢測檢測方法具有更好的魯棒性，對茶葉個體差異和非線性光照變化影響較小，同時隨著深度學習的發展，未來的茶葉智能機械化采摘檢測研究應往此方向研究。

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鍵環節。張浩等[26]利用光柵投影輪廓術對茶葉嫩梢進行定位，在采摘時能夠高度過去茶葉嫩梢信息，并采用時間相位法獲取光柵的相位，利用形態濾波器去除噪聲，取得了不錯的試驗效果。龍樟等[27]結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。處理結果表明，該方法能在圖像中平穩確定茶葉嫩芽采摘點。鄒浪[28]在解決茶葉定位問題時，首先將檢測出茶嫩芽進行二值化處理，將輪廓最低點為中心建立RIO區域，進行特征提取，并進行骨架細化，然后利用Shi-Tomasi算法提取茶嫩芽與樹枝的交點坐標，并結合嫩芽二值化輪廓最低點得出茶葉的二維坐標，最后，在此基礎之上，運用雙目視覺原理的出茶葉嫩芽的三維坐標信息。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算法檢測關鍵點作為采摘點，最后通過雙目測距來得到茶葉采摘點的三維坐標，取得了不錯的效果。王鵬[30]使用張氏標定法得到相機內外參數，隨后借助較高精度的MatLab工具箱進行立體標定，建立雙目定位模型，最后經過坐標轉換和三角測距原理，得到精確的三維坐標。結果表明：由于嫩芽姿態、嫩芽大小、相機精度等原因，算法存在誤差，但在可接受范圍內，并可以通過優化末端執行器來進行矯正。

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

3 采摘順序規劃

茶嫩芽空間分布稠密，規劃茶嫩芽的采摘先后順序使機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，進行采摘順序規劃是高效采摘工作進行的重要環節。早期的路徑規劃優化算法主要有模擬退火算法、人工勢場法和模糊邏輯算法。由于發展較早，這些算法各有不同的優缺點，當前路徑規劃智能優化算法主要有人工神經網絡算法、蟻群算法和遺傳算法[31， 32]。陳龍[33]使用改進的蟻群算法，對信息素啟發因子進行優化，加入了垂直位移約束因子，并進行了仿真試驗，為茶葉機器人的實際應用提供了理論基礎。鮑偉[34]以傳統遺傳算法為基礎，提出了一種自適應競爭的遺傳算法，借助K-means聚類算法將嫩芽待采摘區域進行劃分，并根據采摘區特點進行染色體編碼，改進交叉算子，引入自適應競爭策略，搭建了自適應競爭遺傳算法模型，仿真結果表明：將采摘區域劃分成4個時，得出最優采摘機械手行走路徑為231.076 cm的結論，其仿真耗時為26 s。提出的自適應競爭遺傳算法的收斂速度和最終的優化結果都優于傳統的遺傳算法。李亞濤[35]在解決茶葉采摘順序規劃問題時，將采摘順序問題轉換為空間旅行商問題來進行優化求解，同時考慮到機械臂在移動中速度和穩定性，使用了基于貝塞爾和球面線性差值對末端的機械臂運動軌跡位置量和姿態量進行規劃，通過仿真試驗驗證了末端軌跡規劃的有效性。Wang等[36]提出了一種基于蟻群算法的采茶路徑規劃方案。借助K-means聚類算法對不同采摘區域進行規劃，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]使用蟻群算法進行采摘路徑規劃，考慮到雙機械手會有重疊空間，將采摘區域劃分為多個區域，提出新的迭代終止條件并將信息素濃度值改為自適應值，并將基礎蟻群算法中迭代次數與采摘路徑結合，對原有的蟻群算法進行優化，改善了基本蟻群算法的最優解的全局性和收斂速度。汪小名[38]提出一種改進的蟻群算法，在算法中加入交換、逆序、插入等操作，使其獲得新的路徑，擴大解的多樣性，按照遺傳算法進行全局優化，改進蟻群算法易陷入局部最優解的問題。目前在茶葉采摘路徑規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十分良好，蔡光躍等[39]分析對比了兩種算法的優缺點，發現規劃城市規模數量在30以下時，遺傳算法有較好的表現；在城市規模達到30～70之間時，蟻群算法會有較好的表現；當城市規模進一步增大時就需要考慮改進式的遺傳算法或蟻群算法。

當前在茶葉采摘順序規劃中對最短路徑的求解大多將其看作旅行商問題，普遍使用隨機啟發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，但模型復雜、計算開銷較大，同時由于茶葉枝葉繁茂、同一片區域內可采摘的目標多且芽葉目標較小，如何實時規劃最短采摘路徑的問題仍需深入研究。

4 存在問題與發展建議

近幾年，許多研究人員參與到茶葉智能化采摘技術的研究中，但是許多研究設計都還處在概念樣機階段，離落地應用還有一段距離。受茶園環境非結構化性影響，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。茶葉智能機械化采摘的重點是如何高效、低損地完成嫩芽采摘。本文結合當前茶葉機械化采摘現狀和已有技術，提出以下問題和建議。

4.1 存在問題

1） 末端執行器穩定性和實時性有待提高。為了提高采摘連貫性，末端執行器應同時具有剪切和收集功能，這是現有末端執行器普遍缺失的功能。另外，大多數末端執行器幾乎沒有誤差補償能力，當視覺定位誤差較大時，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，且田間環境下非線性變化嚴重，茶嫩芽精準檢測與定位較難。另外，許多學者使用深度卷積神經網絡進行檢測，取得一定效果，但缺少如何部署深度卷積神經網絡的相關研究。

3） 現有采摘順序規劃方法實時性有待提高。機械臂采摘順序規劃普遍采用全局優化算法，例如遺傳算法和蟻群算法，存在搜索效率低、迭代速度慢、容易陷入局部最優解的問題，實時性有待提高。

4） 農藝與農藝未妥善結合。各個茶園壟寬、樹高均不一致，不利于推廣茶葉采摘機械。另外，茶樹樹冠高低不平、茶嫩芽生長一致性差，嚴重影響采摘機械作業效率。

4.2 發展建議

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

2） 茶葉智能機械采摘的難點在于茶樹生長茂密、背景復雜、茶葉之間遮擋嚴重，同時采摘時受天氣影響較大，如光照、風力等。茶葉種類繁多，且生長形態不一，導致算法不穩定，檢測模型針對茶葉品種較為單一。未來研究方向應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、不同距離對茶葉進行樣本采集。為了解決茶葉體型小、分布密集帶來的挑戰，未來可融合多尺度信息和自注意力機制，提高小目標檢測精度。為了克服非線性光照變化問題，可以采用在夜間作業的方式，提高視覺檢測定位的穩定性。另外研究不同品種茶葉的相似之處，豐富樣本數量，也可提高算法使用的普遍性。

3） 由于茶葉生長特點，茶樹矮小且枝葉繁茂，在機械化采摘過程中既想要保證速度的同時還要兼顧采摘質量，合理的采摘順序規劃必不可少。結合當前的對于路徑規劃的研究，應考慮多種算法結合的方法進行，取長補短，減少算法的復雜度，并提高路徑規劃的合理性、準確性。

4） 在現代農業快速發展的背景下，農機與農學相結合是未來農業發展的必然選擇。利用科學實用的農藝技術與農業機械相結合，以先進的農業機械為載體，將更有利于茶葉綜合生產能力的提高，也可以顯著提高茶葉生產效益。增強農機與農藝的配合，研究分析不同品種茶樹的空間結構和茶葉生長特點對采摘效率的影響，也有助研究更加高效智能的茶葉采摘機械。

5 結語

茶葉的智能機械化采收是茶葉產業轉變的發展方式、節約成本、提高效益、擴大茶葉產業影響力的重要途徑之一。當前對于茶葉智能機械化采摘的研究，一體化智能裝備研究較少且大多數停留在機階段，沒有形成量產，智能采摘機械化程度較低，人工參與度較高，并且采摘品質低，一些高品質茶葉，仍需人工進行采摘。但是隨著更多研究人員的加入和茶葉產業規模的不斷擴大，以及計算機硬件運算能力、傳感器的感知精度、相機的色彩能力、算法計算速度和精度的不斷發展和提高，相信茶葉的智能機械化采摘研究進程會加速推進。

參 考 文 獻

[ 1 ] 國家統計局. 中華人民共和國2023年國民經濟和社會發展統計公報[EB/OL]. https： //www. stats. gov. cn/sj/zxfb/202402/t20240228_1947915. html， 2024-02-28.

[ 2 ] 梅宇， 梁曉. 2023年我國茶葉產銷及進出口形勢分析[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展[J]. 中國茶葉， 2021， 43（9）： 1-11.

[ 4 ] 陸德彪， 尹軍峰. 我國名優綠茶機械化采摘的意義與實現路徑[J]. 中國茶葉， 2018， 40（1）： 1-4.

[ 5 ] 江超， 岳志陽， 王貝貝. 計算機智能化技術在農業機械自動化中的應用[J]. 南方農機， 2022， 53（24）： 67-69.

[ 6 ] 傅隆生， 宋珍珍， Zhang Xin， 等. 深度學習方法在農業信息中的研究進展與應用現狀[J]. 中國農業大學學報， 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. 手持式名優茶嫩梢采摘機械手設計與試驗優化[J]. 農業機械學報， 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 automatictea picking machine basedon parallel robot [D]. Qingdao： Qingdao University of Science and Technology， 2019.

[ 9 ] 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.

[10] 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.

[11] 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.

[12] 原艷芳. 名優茶采摘機械手與采摘策略研究[D]. 武漢： 華中農業大學， 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. 名優綠茶仿生采摘指研制[J]. 食品與機械， 2018， 34（10）： 86-90.

[15] 林桂潮， 陳定賢， 鐘凱勇， 等. 基于機器視覺的雙機械臂茶葉采摘機器人[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]. 中國農機化學報， 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]. 黑龍江八一農墾大學學報， 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. 名優茶機械化采摘中嫩芽識別方法的研究[D]. 南京： 南京林業大學， 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. 基于改進分水嶺算法的茶葉嫩葉圖像識別[J]. 貴州農業科學， 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， 張蘊， 賴小燚. 基于Faster R-CNN深度網絡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. 基于深度學習的復雜背景下茶葉嫩芽檢測算法[J]. 河北大學學報（自然科學版）， 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. 基于卷積神經網絡的茶樹嫩芽識別研究[D]. 合肥： 安徽農業大學， 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.

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定位方法研究[J]. 傳感器與微系統， 2022， 41（2）： 39-41.

[28] 鄒浪. 基于視覺的名優綠茶識別及采摘路徑規劃[D]. 杭州： 浙江理工大學， 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. 采茶機械手嫩芽識別與定位方法研究[J]. 機械與電子， 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. 并聯采茶機器人識別與定位技術研究[D]. 成都： 西華大學， 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. 路徑規劃算法的研究與發展[J]. 控制工程， 2017， 24（7）： 1473-1480.

[32] 吉根林. 遺傳算法研究綜述[J]. 計算機應用與軟件， 2004（2）： 69-73.

[33] 陳龍. 茶葉嫩芽視覺識別與采摘技術研究[D]. 青島： 青島科技大學， 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. 基于深度學習的茶葉嫩梢檢測及其采摘路徑規劃[D]. 杭州： 浙江理工大學， 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. 茶葉采摘機器人的視覺檢測與定位技術研究[D]. 杭州： 浙江理工大學， 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， 林衛國. 名優茶采摘機器人路徑規劃[J]. 安徽農業大學學報， 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理研究[D]. 廣州： 華南農業大學， 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]. 計算機工程與應用， 2007， 43（10）： 96-98.