Viimastel aastatel on oluliselt hoogustunud põllumajandusliku tööjõu vananemistrend ning teetööstuse arengut piiravaks kitsaskohaks on kujunenud värbamisraskus ja kallis tööjõud. Kuulsa tee käsitsi korjamise tarbimine moodustab ligikaudu 60% kogu teeaia juhtivatest tööjõust, samas kui kuulsate tipptasemel tee õiepungad on õrnad, erineva kasvuasendi, asendi ja tihedusega, eriti teeaedades. struktureerimata keskkond, mis muutub koos tuule ja valgusega. Masina valimist on raske realiseerida. Seetõttu on intelligentse tee korjamise tehnoloogia uurimine ja sobivate valiktee kitkumise masinadjatee töötlemise masinadon minu kodumaa teetööstuse arengu edendamisel väga olulised.

Praegu on just alanud kõrgekvaliteediliste margitoote teekorjamismasinate uurimine kodu- ja välismaal ning see on alles kontseptuaalse prototüübi testimise etapis. Praktikas on veel väljakutseid, näiteks praeguses põllumajandustootmises on probleeme, nagu põllumajandusmasinate ja agronoomia kokkusobimatus, idandite tuvastamist mõjutab suuresti valgus ning sarnase tausta ja idanditega pilte on keeruline segmenteerida. Võrreldes traditsioonilise masinõppega, ilmnebteeaia masinadja teetöötlemismasinad põhinevad süvaõppe pungade ja lehtede tuvastamise meetodil, kuid koolituseks on vaja suurt hulka märgistatud proove ning võrgu keerukus on suurenenud ning probleemiks on ka riistvarasüsteemi uuendamine. masinnägemise ja tehisintellekti tehnoloogia loob hea aluse intelligentsete teekitkumismasinate uurimis- ja arendustegevuseks. Tulevikus on intelligentsel teekorjamismasinal järgmised arengutrendid. Teepungade tuvastamise ja lokaliseerimise praegused raskused seisnevad teeliikide ja kasvukeskkonna mitmekesisuses, teepungade tuvastamise strateegias kattuvate oklusioonide korral, dünaamilistes häiretes ning algoritmi halvas stabiilsuses ja mitmekülgsuses. Tulevikus tuleks andmeid koguda eri sortide, erinevate teehooaegade, eri sortide, erineva päritoluga ja erinevate valgustingimustega teeaedade teepiltide kohta, et realiseerida teepiltide näidisandmekogumite laiendamine, rikastada proovide mitmekesisust ning luua mitut sorti ja mitme klassi teepungad. Lehtede andmebaasid parandavad algoritmide üldistust. Teepungade tekstuur on suhteliselt pehme ja traditsiooniliste korjamismasinatega on lihtne pungi kahjustada.

Samas on teeaedade kaootilises ja tuulises keskkonnas kalduvus esinema positsioneerimisvigu ja juhuslikke vigu. Seetõttu onteeaia töötlemise masinei tohi töötamisel kahjustada õrnu pungi ja kasutada sobivat veakompensatsiooni meetodit. Seetõttu on vaja uurida paindlikkust veataluvusega. Lõpp võtab efektori üles. Vastavalt kerge, paindliku ja kiire teekorjamise manipulaatori nõuetele saab konstruktsiooni kerge konstruktsiooni ja vastava liikumisjuhtimisalgoritmi abil realiseerida teekorje lõpp-täiturmehhanismi ja selle juhtimissüsteemi. Samal ajal on ühe otsaga pikapi täiturmehhanismide efektiivsus liiga madal. Tulevikus tuleks tee korjamise tõhususe edasiseks parandamiseks välja töötada mitme terminaliga korjamise ajamid ja tõhusad juhtimissüsteemid, et realiseerida mitme terminaliga korjamise täiturmehhanismide ülesannete jaotamine ja liikumise koordineerimise planeerimine ning parandada tee korjamise tõhusust.