近年來，農(nóng)業(yè)勞動力老齡化趨勢明顯加劇，招工難、用工貴已成為制約茶產(chǎn)業(yè)發(fā)展的瓶頸。名優(yōu)茶的人工采摘消耗占整個茶園管理用工的60%左右，而高檔名優(yōu)茶芽葉采摘時葉梢細嫩，生長的位置、姿態(tài)和密集程度不一，特別在微風和光照變換的非結(jié)構(gòu)化環(huán)境下機器采摘實現(xiàn)難度大。因此，研究智能采茶技術對促進我國茶產(chǎn)業(yè)發(fā)展具有重要意義。

科研人員調(diào)試茶葉采摘機器人

一、基于圖像處理的茶葉識別

實現(xiàn)自動化采茶，首先必須解決的是茶樹嫩芽的精準識別。近年來，隨著計算機技術的發(fā)展和應用，基于圖像處理的茶葉嫩芽的準確識別成為研究的熱點。

1. 基于顏色空間的傳統(tǒng)圖像處理算法

由于茶葉嫩芽與老葉、樹干存在明顯顏色差異，可利用顏色特征提取出圖像中的嫩芽區(qū)域，因此早期的茶葉嫩芽分割研究大多是基于顏色特征的。基于顏色空間的傳統(tǒng)圖像處理算法，其主要過程包括圖像預處理、顏色特征選取與分割等步驟。

茶樹原始圖像

利用色彩因子R-B識別嫩梢

利用色度信息I識別嫩梢

2. 基于傳統(tǒng)機器學習的識別方法

為了進一步解決自然條件下茶葉分割易受老葉、樹枝、土壤等外界環(huán)境影響，茶葉互相遮擋與重疊的問題，后續(xù)研究中引入了機器學習的方法，通過提取并綜合各種特征樣本數(shù)據(jù)進行訓練來識別檢測，常見的嫩芽識別方法是基于顏色、紋理、形狀等特征，結(jié)合使用諸如K均值聚類法、支持向量機方法、貝葉斯判別方法以及級聯(lián)分類器等。基于傳統(tǒng)機器視覺的識別方法仍依賴圖像預處理與數(shù)據(jù)轉(zhuǎn)換，前期處理如不合理將會嚴重影響模型的精度。

茶梢原始圖像(a)與機器算法聚類結(jié)果(b)

3. 基于深度學習的識別方法

基于深度學習的算法在復雜背景下具有較高的精度，為復雜背景下茶葉嫩芽的智能化采摘設備的研究提供了基礎。可以分為3類，分別是分類算法、目標檢測算法和語義分割算法。基于深度學習的分類算法是對1副圖像進行分類，判別出圖像是否是嫩芽或者識別圖像中的嫩芽的狀態(tài)，如芽葉開面狀態(tài)、是否處于可采摘的狀態(tài)等，該方法具有較好的識別效果，不僅能準確識別茶葉嫩芽，同時還可區(qū)分不同嫩芽的狀態(tài)，其可滿足自然光照下茶葉嫩芽識別要求，實用性較好。但基于深度學習的方法依賴大樣本，同時檢測效率較低。因此還需要進一步開展茶樹芽葉檢測研究，增加芽葉圖像數(shù)量，開發(fā)速度更快、精度更高、穩(wěn)定性更優(yōu)的算法。

AlexNet模型結(jié)構(gòu)圖，基于該模型可有效識別自然光照下茶葉嫩芽狀態(tài)

二、末端采摘執(zhí)行器

茶葉的采摘對象是芽葉而非果實，傳統(tǒng)的末端采摘執(zhí)行器難以適用，因此相關的研究人員針對茶葉嫩芽開發(fā)了新的末端采摘執(zhí)行器。如2021年設計出一種可夾提式采摘茶葉嫩梢的末端執(zhí)行器，通過對其控制實現(xiàn)茶園采摘。試驗結(jié)果表明，一芽一葉的漏采率為2.8%、采摘完整率為91%;一芽二葉的漏采率<3%、采摘完整率為94%。現(xiàn)有的茶葉采摘末端執(zhí)行器大多采用單純的機械式結(jié)構(gòu)，基本沒有誤差補償能力，無法確保采摘成功率和嫩梢完整率。為解決此問題，設計出一種基于負壓導向的名茶采摘末端執(zhí)行器。這種末端執(zhí)行器利用負壓以自上而下的方式引導茶芽，從而糾正它們的姿勢和空間位置。試驗結(jié)果表明，設計的末端執(zhí)行器具有偏差容限性能，可以提高拾取成功率。

可夾提式茶葉嫩芽采摘機模型

茶園采摘試驗

三、智能控制系統(tǒng)

智能控制系統(tǒng)的功能主要包括行駛系統(tǒng)的控制和采摘裝置的控制。日本在茶園智能機械行駛系統(tǒng)控制上已有一些研究成果，如日本松元株式會社利用人工智能(AI)和傳感器開發(fā)出在無人駕駛的情況下走動收獲茶葉的“無人采茶機”，并已開始銷售。在采摘裝置的控制上，針對傳統(tǒng)往復切割式采收裝置，設計了一種基于機器視覺的乘用式智能采茶機，提出了自動識別茶葉嫩芽和割刀自動調(diào)平控制方法，該機可解決現(xiàn)有采茶機無選擇性切割老葉和嫩芽的弊端。目前針對采摘手控制系統(tǒng)所控制的末端采摘執(zhí)行器個數(shù)均為單個，此時的采摘效率仍不高，未來還需針對多個末端采摘執(zhí)行器、多機械臂協(xié)同控制系統(tǒng)進行研發(fā)。

基于機器視覺的乘用式智能采茶機結(jié)構(gòu)圖(1. 割刀水平控制單元;2. 割刀高度控制單元;3. 駕駛室;4. 攝像機;5. 圓弧形割刀;6. 行走機構(gòu)控制單元)

割刀刀刃線與茶隴截面圖

四、存在問題與展望

目前國內(nèi)外針對高檔名優(yōu)茶采摘機器的研究剛起步，尚處于概念樣機試驗階段。在實際應用中仍然存在一些挑戰(zhàn)，如當前農(nóng)業(yè)生產(chǎn)中存在著農(nóng)機農(nóng)藝結(jié)合不緊密的問題、嫩芽識別受光照影響較大、難以分割含與嫩芽顏色相近背景的圖像、葉子間的遮擋和重疊造成識別效果不理想等。相比較傳統(tǒng)的機器學習而言，目前基于深度學習的芽葉識別方法具有良好的應用前景，但需要大量的標記樣本進行訓練，且隨著網(wǎng)絡復雜程度的升高，硬件系統(tǒng)升級也是一個需要解決的問題。隨著機器視覺、人工智能技術的飛速發(fā)展，這為智能采茶機的研發(fā)提供了良好的基礎。未來的智能采茶機將會有以下發(fā)展趨勢。

1. 增加樣本數(shù)據(jù)，研發(fā)識別模型，提高算法效果

目前茶芽識別和定位的難點在于茶葉種類和生長環(huán)境的多樣性、遮擋和重疊情況下茶葉嫩芽識別策略、動態(tài)干擾，以及算法穩(wěn)定性和通用性較差。未來應對不同品種、不同茶季、不同等級、不同產(chǎn)區(qū)、不同光照下的茶園茶葉圖像進行數(shù)據(jù)采集，實現(xiàn)茶葉圖像樣本的數(shù)據(jù)集擴充，豐富樣本的多樣性，建立多品種、多等級茶葉芽葉數(shù)據(jù)庫，提高算法普適性。

2. 研發(fā)具有容差能力的柔性末端采摘執(zhí)行器

茶葉嫩芽質(zhì)地較為柔軟，常規(guī)末端采摘執(zhí)行器采摘易對嫩芽造成傷害。同時在茶園非結(jié)構(gòu)化及微風環(huán)境下易存在定位誤差和隨機誤差，因此既要在采摘的同時做到不傷害嫩芽，還要采用合適的誤差補償方法，故需要研究具有容差能力的柔性末端采摘執(zhí)行器。

3. 研發(fā)多末端采摘執(zhí)行器及其高效控制系統(tǒng)

針對茶葉采摘機械臂輕巧、柔順和高速的需求，可通過結(jié)構(gòu)輕量化設計和相應的運動控制算法實現(xiàn)采茶專用末端采摘執(zhí)行器及其控制系統(tǒng)。同時單個末端采摘執(zhí)行器效率過低，未來為進一步提高采摘效率，應研發(fā)多末端采摘執(zhí)行器以及高效控制系統(tǒng)，實現(xiàn)多末端采摘執(zhí)行器任務分配和運動協(xié)同規(guī)劃，提高茶葉采摘效率。

文字節(jié)選自《中國茶葉》2022年第7期，P1-9，《茶葉智能采摘技術研究進展與展望》，作者：李楊，董春旺，陳建能，賈江鳴。