“采茶机器人”是如何工作的？带你了解茶叶智能采摘技术

近年来，农业劳动力老龄化趋势明显加剧，招工难、用工贵已成为制约茶产业发展的瓶颈。名优茶的人工采摘消耗占整个茶园管理用工的60%左右，而高档名优茶芽叶采摘时叶梢细嫩，生长的位置、姿态和密集程度不一，特别在微风和光照变换的非结构化环境下机器采摘实现难度大。因此，研究智能采茶技术对促进我国茶产业发展具有重要意义。

科研人员调试茶叶采摘机器人

一、基于图像处理的茶叶识别

实现自动化采茶，首先必须解决的是茶树嫩芽的精准识别。近年来，随着计算机技术的发展和应用，基于图像处理的茶叶嫩芽的准确识别成为研究的热点。

1. 基于颜色空间的传统图像处理算法

由于茶叶嫩芽与老叶、树干存在明显颜色差异，可利用颜色特征提取出图像中的嫩芽区域，因此早期的茶叶嫩芽分割研究大多是基于颜色特征的。基于颜色空间的传统图像处理算法，其主要过程包括图像预处理、颜色特征选取与分割等步骤。

茶树原始图像

利用色彩因子R-B识别嫩梢

利用色度信息I识别嫩梢

2. 基于传统机器学习的识别方法

为了进一步解决自然条件下茶叶分割易受老叶、树枝、土壤等外界环境影响，茶叶互相遮挡与重叠的问题，后续研究中引入了机器学习的方法，通过提取并综合各种特征样本数据进行训练来识别检测，常见的嫩芽识别方法是基于颜色、纹理、形状等特征，结合使用诸如K均值聚类法、支持向量机方法、贝叶斯判别方法以及级联分类器等。基于传统机器视觉的识别方法仍依赖图像预处理与数据转换，前期处理如不合理将会严重影响模型的精度。

茶梢原始图像(a)与机器算法聚类结果(b)

3. 基于深度学习的识别方法

基于深度学习的算法在复杂背景下具有较高的精度，为复杂背景下茶叶嫩芽的智能化采摘设备的研究提供了基础。可以分为3类，分别是分类算法、目标检测算法和语义分割算法。基于深度学习的分类算法是对1副图像进行分类，判别出图像是否是嫩芽或者识别图像中的嫩芽的状态，如芽叶开面状态、是否处于可采摘的状态等，该方法具有较好的识别效果，不仅能准确识别茶叶嫩芽，同时还可区分不同嫩芽的状态，其可满足自然光照下茶叶嫩芽识别要求，实用性较好。但基于深度学习的方法依赖大样本，同时检测效率较低。因此还需要进一步开展茶树芽叶检测研究，增加芽叶图像数量，开发速度更快、精度更高、稳定性更优的算法。

AlexNet模型结构图，基于该模型可有效识别自然光照下茶叶嫩芽状态

二、末端采摘执行器

茶叶的采摘对象是芽叶而非果实，传统的末端采摘执行器难以适用，因此相关的研究人员针对茶叶嫩芽开发了新的末端采摘执行器。如2021年设计出一种可夹提式采摘茶叶嫩梢的末端执行器，通过对其控制实现茶园采摘。试验结果表明，一芽一叶的漏采率为2.8%、采摘完整率为91%;一芽二叶的漏采率<3%、采摘完整率为94%。现有的茶叶采摘末端执行器大多采用单纯的机械式结构，基本没有误差补偿能力，无法确保采摘成功率和嫩梢完整率。为解决此问题，设计出一种基于负压导向的名茶采摘末端执行器。这种末端执行器利用负压以自上而下的方式引导茶芽，从而纠正它们的姿势和空间位置。试验结果表明，设计的末端执行器具有偏差容限性能，可以提高拾取成功率。

可夹提式茶叶嫩芽采摘机模型

茶园采摘试验

三、智能控制系统

智能控制系统的功能主要包括行驶系统的控制和采摘装置的控制。日本在茶园智能机械行驶系统控制上已有一些研究成果，如日本松元株式会社利用人工智能(AI)和传感器开发出在无人驾驶的情况下走动收获茶叶的“无人采茶机”，并已开始销售。在采摘装置的控制上，针对传统往复切割式采收装置，设计了一种基于机器视觉的乘用式智能采茶机，提出了自动识别茶叶嫩芽和割刀自动调平控制方法，该机可解决现有采茶机无选择性切割老叶和嫩芽的弊端。目前针对采摘手控制系统所控制的末端采摘执行器个数均为单个，此时的采摘效率仍不高，未来还需针对多个末端采摘执行器、多机械臂协同控制系统进行研发。

基于机器视觉的乘用式智能采茶机结构图(1. 割刀水平控制单元;2. 割刀高度控制单元;3. 驾驶室;4. 摄像机;5. 圆弧形割刀;6. 行走机构控制单元)

割刀刀刃线与茶陇截面图

四、存在问题与展望

目前国内外针对高档名优茶采摘机器的研究刚起步，尚处于概念样机试验阶段。在实际应用中仍然存在一些挑战，如当前农业生产中存在着农机农艺结合不紧密的问题、嫩芽识别受光照影响较大、难以分割含与嫩芽颜色相近背景的图像、叶子间的遮挡和重叠造成识别效果不理想等。相比较传统的机器学习而言，目前基于深度学习的芽叶识别方法具有良好的应用前景，但需要大量的标记样本进行训练，且随着网络复杂程度的升高，硬件系统升级也是一个需要解决的问题。随着机器视觉、人工智能技术的飞速发展，这为智能采茶机的研发提供了良好的基础。未来的智能采茶机将会有以下发展趋势。

1. 增加样本数据，研发识别模型，提高算法效果

目前茶芽识别和定位的难点在于茶叶种类和生长环境的多样性、遮挡和重叠情况下茶叶嫩芽识别策略、动态干扰，以及算法稳定性和通用性较差。未来应对不同品种、不同茶季、不同等级、不同产区、不同光照下的茶园茶叶图像进行数据采集，实现茶叶图像样本的数据集扩充，丰富样本的多样性，建立多品种、多等级茶叶芽叶数据库，提高算法普适性。

2. 研发具有容差能力的柔性末端采摘执行器

茶叶嫩芽质地较为柔软，常规末端采摘执行器采摘易对嫩芽造成伤害。同时在茶园非结构化及微风环境下易存在定位误差和随机误差，因此既要在采摘的同时做到不伤害嫩芽，还要采用合适的误差补偿方法，故需要研究具有容差能力的柔性末端采摘执行器。

3. 研发多末端采摘执行器及其高效控制系统

针对茶叶采摘机械臂轻巧、柔顺和高速的需求，可通过结构轻量化设计和相应的运动控制算法实现采茶专用末端采摘执行器及其控制系统。同时单个末端采摘执行器效率过低，未来为进一步提高采摘效率，应研发多末端采摘执行器以及高效控制系统，实现多末端采摘执行器任务分配和运动协同规划，提高茶叶采摘效率。

文字节选自《中国茶叶》2022年第7期，P1-9，《茶叶智能采摘技术研究进展与展望》，作者：李杨，董春旺，陈建能，贾江鸣。