茶树种植智能化管理研究进展与展望

程俊杰 龙俐至 倪康 阮建云

摘要：种植是茶叶产业链的上游环节，直接影响茶叶生产成本。在劳动力短缺和茶产业可持续发展要求的背景下，茶树种植的智能化越发受到广泛关注。文章对茶园施肥、灌溉、耕作等方面的智能化研究进展与短板进行了总结与讨论，同时对今后茶树种植智能化管理领域的研发方向进行了展望。

关键词：茶树种植;智能化;进展;展望

Research Progress and Prospect of Intelligent Management of Tea Cultivation

CHENG Junjie， LONG Lizhi， NI Kang*， RUAN Jianyun

Tea Research Institute， Chinese Academy of Agricultural Sciences， Hangzhou 310008， China

Abstract： Cultivation is the upstream node of the tea industry chain and directly affects the cost of tea production. In the context of labor shortage and requirement of the sustainable development， the intelligentization of tea cultivation has been paid more attention. Based on the published literature， this paper summarized the progress and shortcomings of intelligent research on fertilization， irrigation and tillage related to tea cultivation， and provided an outlook on the future R&D directions.

Keywords： tea cultivation， intelligent， progress， prospect

茶樹是我国重要的特色经济作物，目前我国茶园面积与茶叶产量均位居全球首位，茶业在脱贫攻坚与乡村振兴工作中发挥了重要作用[1]。种植是茶叶产业链中的关键环节，为高品质茶叶提供了保障，但是种植成本占据了目前茶叶生产成本的主要份额[2]。复杂的种植条件与劳动力不足使茶叶种植成本不断提升，种植环节的智能化是茶叶生产从传统模式向现代模式转变的必由之路[3-6]。

随着物联网、大数据、人工智能等技术的发展以及相关设备的问世，已经能够实现茶树生长和茶园环境信息的快速感知，以及相关作业设施的自动控制和系统化管理[7-9]。但我国茶区分布广、茶园立地条件复杂、茶树品种丰富、加工茶类多样，茶树种植过程的智能化管理方面依然存在着诸多有待突破的瓶颈问题。本文对目前耕作、灌溉、养分管理、修剪等方面的智能化管理研究与应用现状进行综合分析，提出其中的短板与今后的研发方向，对茶产业高产、优质、高效、绿色发展具有重要意义。

1  茶树种植智能化框架

种植智能化是一套依托于物联网、大数据、云计算等先进技术支撑的综合管理系统，包含了农情监测、优化决策、设备调度的自动化，可实现全程数字化感知、智能化决策、精准化作业、系统化管理，突破茶树种植过程的高度时空变异性，实现耕作、灌溉、养分管理、修剪的智能化实施[6]。

智能化系统在物理架构上由监测感知层、传输存储层、计算决策层、应用服务层组成。

1.1  监测感知层

监测感知层是智能化系统的“眼睛”和“耳朵”，也是智能化系统信息处理的基础。感知层依赖载具平台上的各类传感器，实时获取茶树周边环境、茶树自身的各类信息，如温湿度、辐射、茶树养分等数据信息的采集。智能化系统对感知层要求是信息获取的原位、实时、精准、快速、智能，因此数据相对于传统观测必然需要海量储存。

1.2  传输存储层

传输存储层是智能化系统的“神经”与“仓库”，监测感知层搜集的海量信息数据通过传输存储层汇集到数据仓库，为后续的数据计算提供源源不断的“养分”。传输过程主要依赖各类数据传输协议与设备对数据进行高效传输，尽可能减少数据传输延迟，同时还需要实现不同设备的组网与信息的兼容并行处理，而智能化系统中存储主要体现在海量数据的高效云存储与交换，实现数据存储与提取的高兼容、低延时、低误差。

1.3  计算决策层

计算决策层是“大脑”，汇集的各类信息只有经过计算决策层的复杂运算才能生成有应用价值的信息，反馈给用户或者传送给作业设备。在种植端，计算决策层主要是对农情信息的智能化处理，设备的路径规划、决策控制，实现作物生长态势的判断，以及不同场景下的应对决策生成，比如茶树胁迫状态诊断、对应设备操作所需的参数等。计算决策层需要算力与算法共同实现，算力依托于计算芯片、内存，而算法是决策的核心。

1.4  应用服务层

应用服务层是“手脚”，将计算决策层得出的信息、参数，反馈到对应的终端，如显示器、机械设备，实现决策结果的操作应用。由于设备种类多样，参数需求复杂，因此应用反馈层要求数据信息的高度兼容、操作参数精准化。

目前种植智能化管理的主要瓶颈在监测感知层与计算决策层，在监测感知层、计算决策层，技术及装备均刚刚处于起步阶段，距离产业化应用还有一段距离。而传输存储层、应用服务层随着近年来信息技术、互联网技术发展，海量数据传输与存储的技术难度不大，挑战在于如何降低成本。

2  茶树种植智能化管理研究现状与问题

2.1  农业传感器

农业传感器是智能化管理系统的核心技术之一，也是系统中重要的装备产业化环节。与茶树种植相关的农业传感器主要有环境传感器、植物生理传感器、智能设备传感器3类[10]。环境传感器的主要作用是获取茶树赖以生存的土壤、大气环境中的相关参数，如土壤温湿度、电导率、酸碱度、氮磷钾养分等[11]，大气环境中的温湿度、二氧化碳浓度、光照度等[12]。生理传感器用于获取与茶树生长态势相关的参数，如茶树含水率、叶片厚度、叶片氮磷钾含量、叶片色素含量等代表茶树生长态势的信息。智能设备传感器用于关键目标识别、相关设备的执行效果监测，如灌溉设备、遮阴设备、耕作机械对灌溉量、遮阴度、耕作深度信息的实时获取[13-14]。

上述传感器中，大气环境传感器发展较为成熟，目前国内外均有相应的市场化产品[12];植物生理传感器大多采用的是基于光学的智能传感器技术，目前已有部分市场化产品。土壤环境传感器是目前农业传感器发展的重点领域，矫雷子等[15]使用8通道窄带激光二极管作为近红外光源，通过测量8通道激光光束的土壤反射率，建立土壤养分中氮关于土壤反射率的计量模型，实现了氮的快速检测。Ning等[16]也通过近红外光谱对茶园土壤有机质、全氮含量进行快速检测技术的验证，预测准确率达到了84%。但由于土壤环境的高度异质性，为相应传感器的研发及空间布设带来了不小的难度，目前缺乏可靠的产业化产品。

总体上我国已经开展了不少关于信息快速获取及组网技术的研发[17-19]，但目前茶园智慧管理中的传感器仍采用通用型农业传感器，专用传感器较为缺乏;另外，目前采用的方案大多是通过将工业传感器、微控制器、无线通信以模块化集成，成本较高，不利于规模化推广应用[10];此外，在信息安全、能耗与可靠性方面还存在诸多问题，这也导致了农业传感器还未有统一的技术标准[20]。

2.2  信息感知技术

2.2.1  空间信息获取

人工测量和统计抽样是获取茶园信息的传统方法，但效率低、精度差，且时效性不高。依托卫星、无人机等遥感平台，配合地理信息技术，可以实现茶树种植区内关键信息的快速获取。

国内外学者应用不同的遥感数据源的光谱特征和各种植被指数，结合不同的算法提取纹理特征实现对茶园的分类，以及茶树生长过程及受害情况、茶园产量预测等[21]。在茶園空间分布信息提取[22-25]、茶树种植适宜性评价[26-27]、茶园产量预测[28-29]等方面开展了初步尝试。但不同研究所用的数据源不同，分类方法与研究区域也存在差异，虽在各自研究中模型的识别和提取精度良好，但不同研究结果之间难以比较，无法确定不同反演模型的优劣[21]。

我国农业遥感卫星传感器以多光谱遥感为主，观测要素缺乏、缺少光学与微波等协同观测能力，遥感数据保障率和质量有待提高[30]。此外，遥感平台仍然是非连续性，时效性不如物联网技术领域的实时监控影像平台，而遥感影像数据解析需要额外算法和算力支持，时空分辨率均不如地面监测系统。

2.2.2  茶树生长态势感知

植物生长信息可直接用于胁迫诊断、产量与品质预测，这些参数大多依赖传统的理化分析方法，费时费力，而智能化管理系统所需的实时数据需要对作物生理参数进行快速、无损检测。王娇娇等[31]针对作物长势快速监测与精确诊断的需求，设计了作物长势监测仪数据采集与分析系统，通过蓝牙技术连接智能手机和作物长势监测仪获取作物采样数据，经内置光谱模型计算得到地块的作物生长参数分布专题图，实时获取田间作物的监测诊断信息并提出专业的田间管理指导方案。

在茶树种植领域，对茶树生长具有关键影响的养分、叶绿素等生化成分主要是通过光谱设备进行无损检测，但光谱设备所获取的并非是直观的生理生化数据，还需要对光谱数据进行反演，因此，在茶树生长态势感知方面开展了大量反演模型算法研究工作。目前国内外有部分学者已经开展了利用高光谱设备，对茶树品种[32]、茶树叶面积指数[33]、冠层叶片中叶绿素[34-35]、氮[33-34， 36-37]、磷钾[38]含量进行反演算法的研究。从具体研究结果看，通过可见光-红外波段的光谱成像技术，结合机器学习算法可以获得不错的识别与诊断效果，结果具有一定的可靠性。但从发表的文献看，研究的设备平台及茶树对象差异较大，模型间缺乏可比性，模型普适性与泛化能力较弱。此外，对能够直观反映茶树生长态势的发芽密度、树幅等参数的快速感知仍然缺乏相应的设备与算法。

2.3  智慧茶园系统实现

2.3.1  茶园综合管理系统

吴彬等[39]利用无线通信、传感器检测和数字图像识别技术，自主设计和研制了一套茶园可视化农业气象信息动态监测预警系统，该系统可实现茶园图像信息、温湿度、降水数据的一体化采集和综合显示的功能。海涛等[40]设计了基于低能耗广域网物联网云平台的茶园监控系统，该系统能实时采集茶园空气温湿度、土壤温湿度等参数，通过服务器对获取的茶园信息进行分析、存储，并将数据同步到PC端和移动端，实现对茶园环境的远程智能监控。徐松镭等[41]设计了1套基于物联网的光伏茶园监测系统，该系统能够采集光伏发电量和茶树生长环境的各项数据，再通过监测系统把数据上传至搭建好的服务器端，有利于实现数据共享，从而可以通过该系统远程查看和分析数据。

陈玉[42]开发了一套集软硬件于一体的高标准现代茶园物联网系统，以提高茶园综合管理能力。该系统包括智慧茶园云管理平台，分为茶树生长环境监测平台、视频监控平台、水肥药一体化调控平台、茶叶质量追溯平台、茶树生长过程综合管理平台5个子平台，为实现智慧茶园的精准控制管理提供了平台技术支撑。陈义勇等[43]开展了茶园生境智慧管控技术研究，建立了一套茶园生境智慧管控技术，包含茶园土壤生态调控技术、茶园生态位配置与管控技术、茶园病虫害监测预警与生态防控技术、茶园生境环境信息自动化感知技术、茶园水分智慧管控技术以及茶园生境智慧管控专家服务系统等。

从实际应用情况看，目前“智慧茶园”均止步在农情信息收集与信息汇总展示场景，管理决策仍然依赖于人，而智能决策算法缺失是“智慧茶园”的瓶颈问题。王圆[44]通过自建茶业领域问答数据集，训练Sentence-BERT模型，用于生成句的语义嵌入表示，并结合Faiss相似性检索库，完成QA语义相似度匹配，将模型封装，形成智慧茶园专家系统，通过自动问答的形式，构建核心决策指导功能，测试结果显示，自动问答功能能够帮助领域相关者解决在茶叶种植、生产等环节遇到的问题。

2.3.2  智能灌溉设备

茶园智能化灌溉系统发展有两个方面，一是优化灌溉系统的驱动结构，改进灌溉效果，如付文哲[45]发明了一种茶园喷灌系统，包括水池、泵、第一过滤器、给料单元和灌溉单元，该系统能提高灌溉均匀性。张艳[46]研究设计了一套由可编程控制器和变频器联合控制的茶园变频恒压喷灌控制系统，可根据用水量的变化，在全流量范围内利用变频泵的连续调节和工频泵的分级调节相结合，实现恒压、节能，并对喷灌过程中的各种特征量进行实时、动态显示，提高了茶园喷灌的自动化水平和管理水平。另一方面智能化灌溉是通过算法实现灌溉时机的精准选择，如湖州职业技术学院[47]发明了一种茶园自动喷灌系统，使用湿度传感器精确检测茶园土壤的湿度，使用光照传感器检测光照强度，由控制器控制喷灌水泵的开启，实现茶园的自动喷灌。蔡彬等[48]设计了一种基于无线传感网络的茶园智能化喷灌系统，可针对不同茶树生长期对土壤、温度、水分、盐分等条件的需要，进行精准实时灌溉。

2.3.3  其他智能机械

通用智能机械平台方面，朱登胜等[49]基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统，通过采用低精度全球 卫星导航系统（GNSS）定位前提下的作业面积的计算方法、GNSS定位处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成，设计了可定制化的通用农机远程智能管理平台。

受制于茶园复杂地形、植被覆盖、土壤类型差异，与茶树种植相关的智能农机设备，如耕作机、施肥机、修剪机的智能化程度远不及灌溉设备。根据国家茶产业技术体系茶园机械研究室的报告，“十三五”期间，我国茶园作业机械领域仅解决了茶园无专用机械的问题，但现有机械的智能化程度低、作业仍然需要较多人工参与，与智慧管理、无人化生產的要求还有很大的差距[50]，未来仍将依托于智能装备领域的重大突破[51-52]。此外，智能农机装备领域未形成科学的标准化体系，导致该领域相关标准定位不清、标准间交叉重复、配套性差。发布实施的智能农机装备地方标准、团体标准、企业标准质量参差不齐，装备生产没有统一规范、新产品研发无标可依、上下游产业无法配套衔接[53]。

3  茶树种植智能化管理研究展望

茶树生长环境及态势的快速感知、智能决策和针对性农艺措施是实现茶园智能化管理的重要前提，但目前在先进传感器、决策算法、智能机械装备等方面均存在较大短板，需要在以下3个方面加强研究。

3.1  先进传感器研发

研究可靠的快速感知技术，研发高精度、可靠性强的农业专用传感器，同时研究多传感器的时空同步采集、高效组网传输、多模态数据融合处理及实时在线解析等关键技术，用于大量不同参数的快速获取。

3.2  智能决策管理模型

目前“智慧茶园”系统的瓶颈之一是决策模型缺乏，形成了有数据无算法的困境，因此需要深化茶树领域相关的农业模型研究，为茶园管理与作业过程的智能化决策提供依据。针对物联网引入的海量数据，需要研发大数据驱动的知识共享与综合辅助决策模型，通过知识和数据相结合的决策模型，将精准决策与智能算法进行有效关联，进行预测评判，为生产作业提供智能化决策。

3.3  智能茶园机械装备

需要开展茶园机械装备作业过程实时分析、智能化决策与控制前期研究，建立茶园农机智能化、精准化作业技术储备。但由于茶树种植相关的机械化程度仍然很低，除了研制自动化程度高的大型茶园机械外，还需要针对分布较广的山地丘陵茶园，加强结构简单、易于操作的轻小型机械的研发，提高我国茶树种植的机械化水平。

参考文献

[1] 姜仁华， 熊兴平， 姚明哲. 我国茶叶科技“十三五”进展及“十四五”发展思考[J]. 中国茶叶， 2021， 43（9）： 17-24.

[2] 蔡健波. 新形势下茶园种植成本控制管理研究[J]. 中国乡镇企业会计， 2020（10）： 91-92.

[3] 阮建云， 季凌飞， 申瑞寒， 等. 茶树栽培研究“十三五”进展及“十四五”发展方向[J]. 中国茶叶， 2021， 43（9）： 58-65.

[4] 罗锡文， 廖娟， 臧英， 等. 我国农业生产的发展方向： 从机械化到智慧化[J]. 中国工程科学， 2022， 24（1）： 46-54.

[5] 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报， 2021， 42（6）： 1-7.

[6] 疏再发， 吉庆勇， 金晶， 等. 智慧茶园技术集成与应用[J]. 中国茶叶， 2022， 44（3）： 10-16， 20.

[7] 张铭铭， 唐小林， 范起业， 等. 我国茶叶机械研究进展与展望[J]. 中国茶叶加工， 2021（4）： 5-9.

[8] 谢鹏安， 郑泽锋. 广东省茶叶生产全程机械化技术现状与展望[J]. 现代农业装备， 2021， 42（3）： 83-86.

[9] 李金琼， 陈思羽， 肖世伟， 等. 物联网技术在精准农业中的应用[J]. 中国科技信息， 2022（4）： 84-86.

[10] 颜瑞， 王震， 李言浩， 等. 中国农业智能传感器的应用、问题与发展[J]. 农业大数据学报， 2021， 3（2）： 3-15.

[11] 赵玉成， 谷小青， 顿文涛， 等. 无线传感器网络在土壤肥力监测中的应用[J]. 現代农业科技， 2013（9）： 242-243， 246.

[12] 李金生， 傅康. 浅析农业气象信息传感器的发展和应用[J]. 南方农机， 2020， 51（13）： 79.

[13] 李明星. 传感器在智慧农业中的应用分析[J]. 现代化农业， 2021（9）： 71-72.

[14] 牛冠铮. 基于单片机控制的农业智能灌溉系统中传感器应用研究[J]. 现代化农业， 2021（4）： 71-72.

[15] 矫雷子， 董大明， 赵贤德， 等. 基于调制近红外反射光谱的土壤养分近场遥测方法研究[J]. 智慧农业（中英文）， 2020， 2（2）： 59-66.

[16] NING J M， SHENG M， YI X Y， et al. Rapid evaluation of soil fertility in tea plantation based on near-infrared[J]. Spectroscopy Letters， 2018， 51（9）： 463-471.

[17] 李鹏超. 基于ZigBee无线传感器网络的农业大田数据监测系统设计与实现[D]. 西安： 长安大学， 2018.

[18] 张伊萌. 面向智慧农业的大规模传感器数据采集系统[D]. 上海： 上海交通大学， 2018.

[19] 陈宏， 吴建德. 基于传感器和电力线载波通信的智慧农业物联网研究[J/OL]. 光通信技术， 2022. http：//kns.cnki.net/kcms/detail/45.1160.TN.20220415.1053.002.html.

[20] 彭汉艮， 倪军， 陈可. 农业传感器发展态势研究[J]. 江苏农机化， 2021（4）： 25-27.

[21] 黄邵东， 徐伟恒， 吴超， 等. 遥感在茶园监测中的应用研究进展[J]. 西部林业科学， 2020， 49（2）： 1-9， 23.

[22] WANG B， LI J， JIN X F， et al. Mapping tea plantations from multi-seasonal landsat-8 OLI imageries using a random forest classifier[J]. Journal of the Indian Society of Remote Sensing， 2019， 47（8）： 1315-1329.

[23] LI N， ZHANG D， LI L W， et al. Mapping the spatial distribution of tea plantations using high-spatiotemporal-resolution imagery in Northern Zhejiang， China[J/OL]. Forests， 2019， 10（10）： 856. https：//doi.org/10.3390/f10100856.

[24] XU W H， QIN Y W， XIAO X M， et al. Quantifying spatial-temporal changes of tea plantations in complex landscapes through integrative analyses of optical and microwave imagery[J]. International Journal of Applied Earth Observation and Geoinformation， 2018， 73： 697-711.

[25] 徐伟燕， 孙睿， 金志凤. 基于资源三号卫星影像的茶树种植区提取[J]. 农业工程学报， 2016， 32（s1）： 161-168.

[26] 黄春娟， 赵尹强， 易小蓉. 基于GIS的云南南涧茶树种植气候适宜性区划[J]. 农业与技术， 2019， 39（24）： 116-121.

[27] 胡波， 金志凤， 李颖， 等. 江南茶区茶树栽培综合适宜性评价[J]. 气象科技， 2018， 46（2）： 390-395.

[28] RAMADANNINGRUM D P， KAMAL M， MURTI S H. Image-based tea yield estimation using Landsat-8 OLI and Sentinel-2B images[J/OL]. Remote Sensing Applications： Society and Environment， 2020， 20： 100424. https：//doi.org/10.1016/j.rsase.2020.100424.

[29] FAUZIANA F， DANOEDORO P， MURTI S H. Linear spectral mixture analysis of SPOT-7 for tea yield estimation in pagilaran estate， batang central java[J/OL]. IOP Conference Series： Earth and Environmental Science， 2016， 47（1）： 012034. https：//doi.org/10.1088/1755-1315/47/1/012034.

[30] 陈仲新， 郝鹏宇， 刘佳， 等. 农业遥感卫星发展现状及我国监测需求分析[J]. 智慧农业， 2019， 1（1）： 32-42.

[31] 王娇娇， 徐波， 王聪聪， 等. 作物长势监测仪数据采集与分析系统设计及应用[J]. 智慧农业， 2019， 1（4）： 91-104.

[32] TU Y X， BIAN M， WAN Y K， et al. Tea cultivar classification and biochemical parameter estimation from hyperspectral imagery obtained by UAV[J/OL]. PeerJ， 2018， 6： e4858. https：//doi.org/10.7717/peerj.4858.

[33] 吳伟斌， 李佳雨， 张震邦， 等. 基于高光谱图像的茶树LAI与氮含量反演[J]. 农业工程学报， 2018， 34（3）： 195-201.

[34] YAMASHITA H， SONOBE R， HIRONO Y H， et al. Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms[J/OL].

Scientific Reports， 2020， 10（1）：17360. https：//doi.org/10.1038/

s41598-020-73745-2.

[35] SONOBE R， HIRONO Y， OI A. Non-destructive detection of tea leaf chlorophyll content using hyperspectral reflectance and machine learning algorithms[J/OL]. Plants， 2020， 9（3）： 368. https：//doi.org/10.3390/plants9030368.

[36] WANG Y J， LI T H， JIN G W， et al. Qualitative and quantitative diagnosis of nitrogen nutrition of tea plants under field condition using hyperspectral imaging coupled with chemometrics[J]. Journal of the Science of Food and Agriculture， 2020， 100（1）： 161-167.

[37] 刘连忠， 李孟杰， 林源丰， 等. 基于图像处理的茶树含氮量诊断方法初步研究[J]. 北华大学学报（自然科学版）， 2019， 20（1）： 114-120.

[38] WANG Y J， JIN G， LI L Q， et al. NIR hyperspectral imaging coupled with chemometrics for nondestructive assessment of phosphorus and potassium contents in tea leaves[J/OL]. Infrared Physics & Technology， 2020， 108： 103365. https：//doi.org/10.1016/j.infrared.2020.103365.

[39] 吴彬， 杨咏钢， 李艳芳， 等. 茶园可视化农业气象信息动态监测预警系统研制及试验[J]. 计算机测量与控制， 2018， 26（8）： 195-199.

[40] 海涛， 陆猛， 黄光日， 等. 基于LPWAN物联网云平台的茶园监控系统设计[J]. 河北农业大学学报， 2021， 44（5）： 93-99.

[41] 徐松镭， 杨昊. 基于物联网的光伏茶园监测系统设计[J]. 信息与电脑（理论版）， 2021， 33（1）： 95-96.

[42] 陈玉. 基于物联网技术的智慧茶园管理系统设计[D]. 曲阜： 曲阜师范大学， 2020.

[43] 陈义勇， 黎健龙， 周波， 等. 茶园生境智慧管控技术助推广东茶产业可持续健康发展[J]. 广东农业科学， 2020， 47（12）： 193-202.

[44] 王圆. 智慧茶园专家系统的设计与实现[D].曲阜： 曲阜师范大学， 2021.

[45] 付文哲. 一种茶园喷灌系统： 208657549U[P]. 2019-03-29.

[46] 张艳. 基于PLC茶园变频恒压喷灌自动控制系统的设计[J]. 农技服务， 2015， 32（12）： 4-7.

[47] 湖州职业技术学院.一种茶园自动喷灌系统： 208387486U[P]. 2019-01-18.

[48] 蔡彬， 缪子梅， 褚琳琳， 等. 基于无线传感网络的茶园智能化喷灌系统[J]. 节水灌溉， 2017（11）： 93-96.

[49] 朱登胜， 方慧， 胡韶明， 等. 农机远程智能管理平台研发及其应用[J]. 智慧农业（中英文）， 2020， 2（2）： 67-81.

[50] 宋志禹， 韩余， 丁文芹， 等. 茶园机械研究“十三五”进展及“十四五”发展方向[J]. 中国茶叶， 2021， 43（10）： 26-33.

[51] 廖念禾， 吴维雄， 殷雨翔， 等. 丘陵山区茶园种植机械化现状分析[J]. 农机使用与维修， 2021（3）： 141-142.

[52] 张铭铭， 唐小林， 范起业， 等. 我国茶叶机械研究进展与展望[J]. 中国茶叶加工， 2021（4）： 5-9.

[53] 胡小鹿， 梁学修， 张俊宁， 等. 中国智能农机装备标准体系框架构建与研制建议[J]. 智慧农业（中英文）， 2020， 2（4）： 116-123.

基金项目：国家重点研发计划（2021YFD1601101）。

作者简介：程俊杰，男，主要从事茶树表型图像识别研究。*通信作者，E-mail：nikang@tricaas.com。