최근 몇 년 동안 농업 노동력의 고령화 추세는 크게 강화되었으며, 채용 및 값 비싼 노동의 어려움은 차 산업의 발전을 제한하는 병목 현상이되었습니다. 유명한 차의 수동 따기는 차 가든 전체의 경영 노동력의 약 60%를 차지하며, 고급 유명 차의 꽃 봉오리는 섬세하며, 특히 산들 바람과 빛으로 변하는 구조화되지 않은 환경에서 다양한 성장 위치, 자세 및 밀도가 있습니다. 기계 따기는 깨닫기가 어렵습니다. 따라서 지능형 차 따기 기술에 대한 연구와 적합한 선택차 뽑는 기계그리고차 가공 기계우리 나라의 차 산업의 발전을 촉진하는 데 큰 의미가 있습니다.

현재, 국내외의 고급 브랜드 이름 차 피킹 머신에 대한 연구가 막 시작되었으며 여전히 개념적 프로토 타입 테스트 단계에 있습니다. 현재의 농업 생산에는 농업 기계 및 농업 경제의 비 호환성과 같은 문제가있는 것과 같은 실제 적용에 여전히 몇 가지 어려움이 있으며, 콩나물의 식별은 빛의 영향을 크게 받는다. 전통적인 기계 학습과 비교하여 출현찻집 기계그리고 차 가공 기계는 딥 러닝의 새싹 및 잎 인식 방법을 기반으로하지만 훈련을 위해 많은 수의 라벨링 된 샘플이 필요하며 네트워크 복잡성이 증가하고 있으며 하드웨어 시스템 업그레이드도 문제가됩니다. 앞으로 지능형 차 피킹 머신은 다음과 같은 개발 트렌드를 갖게 될 것입니다. 차 새싹 식별 및 국소화의 현재 어려움은 차 종의 다양성과 성장하는 환경, 겹치는 폐색, 동적 간섭 및 알고리즘의 열악한 안정성 및 다양성에 따른 차 버드 식별 전략에 있습니다. 향후, 차 이미지 샘플 데이터 세트의 확장, 샘플의 다양성을 풍부하게하며 다중 성적 및 다중 등급의 차 새싹을 확립하기 위해 다양한 품종, 다른 차 계절, 다양한 등급, 다양한 기원 및 조명 조건의 차 정원의 차 이미지에 대한 데이터 수집이 수행되어야합니다. 잎 데이터베이스는 알고리즘의 일반성을 향상시킵니다. 찻집의 질감은 비교적 부드럽고 전통적인 피킹 기계는 새싹에 손상을 입히기 쉽습니다.

동시에, 차 가든의 혼란스럽고 산뜻한 환경에서는 위치 오류와 임의의 오류가 발생하기 쉽습니다. 따라서,차 정원 가공 기계작업 할 때 입찰 새싹을 손상시키지 않아야하며 적절한 오류 보상 방법을 사용해야합니다. 따라서 결함 공차로 유연성을 연구해야합니다. 끝이 이펙터를 집어 올립니다. 구조의 가벼운 설계와 해당 모션 제어 알고리즘을 통해 가볍고 유연하며 고속 차 고정 조작기의 요구 사항에 따라 차 픽스 엔드 픽킹 액추에이터 및 제어 시스템을 실현할 수 있습니다. 동시에 단일 끝 픽업 액추에이터의 효율이 너무 낮습니다. 미래에, 차 피킹의 효율성을 더욱 향상시키기 위해서는 다중 터미널 피킹 액츄에이터와 효율적인 제어 시스템을 개발하여 다중 터미널 피킹 액추에이터의 작업 할당 및 모션 조정 계획을 실현하고 차 피킹 효율성을 향상시켜야합니다.