최근에는 농업인력의 고령화 추세가 현저히 심화되고 있으며, 채용의 어려움과 고가의 노동력이 차 산업 발전의 걸림돌이 되고 있습니다. 유명 차의 수동 따기 소비는 전체 차밭 관리 노동력의 약 60%를 차지하며, 고급 유명 차의 꽃봉오리는 섬세하고 성장 위치, 자세 및 밀도가 다양합니다. 바람과 빛에 따라 변화하는 비정형적인 환경. 기계 피킹은 실현하기 어렵습니다. 따라서 지능형 차 따기 기술에 대한 연구와 적합한 차 선택차 따는 기계그리고차 가공 기계우리나라 차 산업 발전을 촉진하는데 큰 의미가 있습니다.

현재 국내외 고급 브랜드 차 따기 기계에 대한 연구가 이제 막 시작되었으며 아직 개념적 프로토타입 테스트 단계에 있습니다. 현재의 농업 생산은 농기계와 농경학의 비호환성 등의 문제를 안고 있으며, 새싹의 식별은 빛의 영향을 많이 받고, 비슷한 배경과 새싹이 있는 이미지를 분할하기 어려운 등 실제 적용에는 여전히 몇 가지 과제가 있습니다. 전통적인 머신러닝과 비교했을 때,차 정원 기계차 가공 기계는 딥러닝의 새싹과 잎 인식 방법을 기반으로 하지만 훈련을 위해 많은 수의 라벨링된 샘플이 필요하고 네트워크 복잡성이 증가하며 하드웨어 시스템 업그레이드도 문제가 됩니다. 머신 비전과 인공 지능 기술은 지능형 차 뽑는 기계의 연구 개발을 위한 좋은 기반을 제공합니다. 미래에 지능형 차 따기 기계는 다음과 같은 개발 추세를 가질 것입니다. 현재 차싹 식별 및 위치 파악의 어려움은 차 종과 재배 환경의 다양성, 중첩되는 폐색 하에서의 차싹 식별 전략, 동적 간섭, 알고리즘의 안정성 및 다양성이 낮다는 점입니다. 앞으로는 다양한 품종, 다양한 차 계절, 다양한 등급, 다양한 원산지, 다양한 조명 조건의 차 정원의 차 이미지에 대해 데이터 수집을 수행하여 차 이미지 샘플 데이터 세트의 확장을 실현하고 차 이미지를 풍부하게 해야 합니다. 샘플의 다양성, 다품종 및 다등급 차싹을 확립합니다. 리프 데이터베이스는 알고리즘의 일반성을 향상시킵니다. 차싹의 질감은 상대적으로 부드럽기 때문에 기존의 따기 기계는 차싹에 손상을 주기 쉽습니다.

동시에 차밭의 혼란스럽고 미풍이 부는 환경에서는 위치 오류와 무작위 오류가 발생하기 쉽습니다. 그러므로,차밭 가공 기계작업 시 부드러운 새싹을 손상시키지 않아야 하며 적절한 오류 보상 방법을 사용해야 합니다. 따라서 내결함성을 갖춘 유연성에 대한 연구가 필요합니다. 끝은 이펙터를 선택합니다. 가볍고 유연하며 고속의 차 따기 조작기의 요구 사항에 따라 구조의 경량 설계와 해당 모션 제어 알고리즘을 통해 차 따기 엔드 따기 액추에이터 및 제어 시스템을 실현할 수 있습니다. 동시에 단일 종단 픽업 액추에이터의 효율성은 너무 낮습니다. 앞으로 차 따기 효율을 더욱 향상시키기 위해서는 다중 단자 따기 액추에이터와 효율적인 제어 시스템을 개발하여 다중 단자 따기 액추에이터의 작업 할당 및 동작 조정 계획을 실현하고 차 따기 효율성을 향상시켜야 합니다.