Azken urteotan, nekazaritzako lan-indarraren zahartze-joera nabarmen areagotu da, eta kontratatzeko eta eskulan garestia izateko zailtasuna tearen industriaren garapena mugatzen duen botila-lepo bihurtu da. Te ospetsuaren eskuz biltzearen kontsumoak te lorategi osoaren kudeaketa-lan-indarraren % 60 inguru hartzen du, eta goi-mailako te ospetsuaren lore-begiak delikatuak dira, hazkuntza-posizio, jarrera eta dentsitate ezberdinekin, batez ere. haizearekin eta argiarekin aldatzen den ingurune egituratugabea. Makina hautaketa zaila da konturatzen. Hori dela eta, tea biltzeko teknologia adimendunaren ikerketa eta egokien aukeraketatea kentzeko makinaketatea prozesatzeko makinakgarrantzi handia dute nire herrialdeko tearen industriaren garapena sustatzeko.

Gaur egun, marka handiko tea biltzeko makinen ikerketa hasi berri da etxean eta atzerrian, eta prototipo kontzeptualaren proban dago oraindik. Aplikazio praktikoan oraindik erronka batzuk daude, hala nola, egungo nekazaritza ekoizpenak arazoak ditu, hala nola nekazaritza-makinen eta agronomiaren bateraezintasuna, kimuen identifikazioan argiak asko eragiten du eta zaila da hondo eta kimu antzekoak dituzten irudiak segmentatzea. Ohiko ikaskuntza automatikoarekin alderatuta, agerpenate lorategiko makinaketa tea prozesatzeko makinak ikaskuntza sakonaren begiak eta hostoak ezagutzeko metodoan oinarritzen dira, baina etiketatutako lagin kopuru handi bat behar du trebatzeko, eta sarearen konplexutasuna areagotzen du, eta hardware sistemaren eguneratzeak ere arazo bat dira. Garapen azkarrarekin. makina-ikuspegia eta adimen artifizialaren teknologiak, tea kentzeko makina adimendunen ikerketa eta garapenerako oinarri ona eskaintzen du. Etorkizunean, tea biltzeko makina adimendunak garapen joera hauek izango ditu. Te-kopiak identifikatzeko eta lokalizatzeko gaur egungo zailtasunak te-espezieen eta hazkuntza-ingurunearen aniztasunean, te-komuinen identifikazio estrategian gainjarritako oklusioen pean, interferentzia dinamikoan eta algoritmoaren egonkortasun eta aldakortasun eskasean daude. Etorkizunean, datu-bilketa barietate ezberdinetako te lorategietako te-irudietan egin beharko litzateke, tearen sasoi ezberdinetan, kalifikazio ezberdinetan, jatorri ezberdinetan eta argi-baldintza ezberdinetan, tearen irudien laginen datu-multzoen hedapenaz jabetzeko, aberasteko. lagin aniztasuna, eta barietate anitzeko eta gradu anitzeko te kimuak ezarri. Leaf datu-baseek algoritmoen orokortasuna hobetzen dute. Tearen ehundura nahiko leuna da, eta biltzeko makina tradizionalak errazak dira begiei kalteak eragiten.

Aldi berean, te lorategietako ingurune kaotiko eta haizetsuan, kokapen akatsak eta ausazko akatsak gerta daitezke. Hori dela eta,tea lorategia prozesatzeko makinaez ditu kimu samurrak kaltetu behar lan egitean, eta akatsak konpentsatzeko metodo egokia erabili. Horregatik, malgutasuna akatsen tolerantziarekin aztertu behar da. Amaierak efektorea jasotzen du. Tea biltzeko manipulagailu arin, malgu eta abiadura handiko eskakizunen arabera, egituraren diseinu arinaren eta dagokion mugimenduaren kontrol algoritmoaren bidez, tea biltzeko amaierako aktuatorea eta bere kontrol sistema gauzatu daitezke. Aldi berean, mutur bakarreko bilketa eragingailuen eraginkortasuna baxuegia da. Etorkizunean, tea biltzearen eraginkortasuna are gehiago hobetzeko, terminal anitzeko picking eragingailuak eta kontrol sistema eraginkorrak garatu beharko lirateke terminal anitzeko bilketa eragileen zereginen esleipena eta mugimenduaren koordinazioa planifikatzeko eta tea biltzeko eraginkortasuna hobetzeko.