CN103439265A - 一种茶树精细化栽培生育性状实时监测方法 - Google Patents

Abstract

本发明公开了一种茶树精细化栽培生育性状实时监测方法，基于在线定位的茶树活体生育特征数据采集装置进行实时数据采集，采集的数据通过无线通信方式传输到人工综合管理中心进行处理；所采集的数据包括：利用定位机构采集当前的位置数据；利用高光谱成像传感器采集茶鲜叶光谱数据；利用超声波传感器测量茶鲜叶的平均生长高度；人工综合管理中心依据以上数据结合离线建立的采摘判别模型，判别鲜茶叶采摘最佳时期；采摘判别模型包括基于平均生长高度的度量新芽尺寸发育模型和基于高光谱图像数据的产量相关模型和品质相关模型；该茶树精细化栽培生育性状实时监测方法，有利于实现茶树种植的精细化和自动化。

Description

一种茶树精细化栽培生育性状实时监测方法

技术领域

本发明属于精细农业领域，涉及一种茶树精细化栽培生育性状实时监测方法。

背景技术

中国是茶叶的原产地，是最早发现茶树的国家，当今世界第一大茶叶生产国和世界第二大出口国，2011年茶叶生产147.5万t，超过世界重量的1/3；出口32.3万t，出口金额约9.56亿$，可见在我国经济作物中占有非常重要的地位。随着我国农村城镇化发展，农村劳动力逐渐减少和老龄化严重，生产成本增加，茶叶生产利润下降，制约了茶业的发展，茶园作业机械化和信息自动化是发展的必然趋势。

20世纪90年代以来，随着全球定位***(GPS)、地理信息***(GIS)、农业应用电子技术和作物栽培有关模拟模型以及生产管理决策支持***(DDS)技术研究的发展，“精细农业”已成为21世纪发达国家为合理利用农业资源，提高农作物产量，降低生产成本，根据作物环境和生长实施变量施肥、施药，改善生态环境的最富有吸引力的前沿性研究领域之一。

目前茶园管理中，为及时掌握茶叶的生长发育情况，经常根据人工经验进行可靠性不高的外观诊断；或采用基于上壤和作物的实验室分析，普遍要求破坏土壤和植被样本，且测量费时费力，过程复杂。同时，研究结果发现茶鲜叶产量跟茶树的生长时间成一定正比例关系，但与茶叶的品质成一定的反比例关系，因此产量与品质的平衡是采摘期必须考虑的问题。一般传统的方法也是根据经验人工感觉来判断新芽的成熟度及品质，这些方法属于定性或半定性，缺少充分的科学依据，而且费时费力。

文献资料显示，采用近红外技术等茶叶成品检测的研究较多。国家专利申请号CN200910116733.0公布了一种近红外技术快速检测茶叶品质的方法，为原料收购和加工提供检测提供方便；国家专利申请号：CN200810079810.5利用红外光谱采用样品分析的方法建立光谱图用于产地检测和CN200810236223.2利用红外光谱和机器视觉融合对茶叶样品质量检测，以上文献不能应用于茶园管理。国家专利号：CN200710156126.8公布了一种基于无线传感器网络的茶园微域监控方法与***，可以实现传感器数据的无线传输，数据读取，数据曲线和拓扑图绘制等。国家专利号：ZL 201020581129.3提供了一种自动化茶园茶树活体生长发育测量及病虫害检测装置，采用视觉和超声波技术对生长高度及叶片病虫害实时粗略检测，有利于调整水分、氮肥和施药等精细化管理。

但现有技术中还没有依据茶树活体生长发育过程中鲜茶叶的生理和理化品质的较高精度监测，以从微观上来指导精细化茶园种植的技术，因此，有必要设计一种茶树精细化栽培生育性状实时监测方法。

发明内容

本发明所要解决的技术问题是提供一种茶树精细化栽培生育性状实时监测方法，该茶树精细化栽培生育性状实时监测方法有利于实现茶树种植的精细化和自动化。

发明的技术解决方案如下：

一种茶树精细化栽培生育性状实时监测方法，基于在线定位的茶树活体生育特征数据采集装置进行实时数据采集，采集的数据通过无线通信方式传输到人工综合管理中心进行处理；

所采集的数据包括：

(1)利用定位机构采集当前的位置数据；

(2)利用高光谱成像传感器采集茶鲜叶光谱数据；

(3)利用超声波传感器测量茶鲜叶的平均生长高度；

人工综合管理中心依据以上数据结合离线建立的采摘判别模型，判别鲜茶叶采摘最佳时期；

采摘判别模型包括基于平均生长高度的度量新芽尺寸发育模型和基于高光谱图像数据的产量相关模型和品质相关模型；

产量相关模型包括芽数模型、干物重模型和百芽重模型；

品质相关模型包括理化品质模型；

理化品质模型体现高光谱图像数据与儿茶素类、茶多酚、氨基酸、咖啡碱含量的关系；

理化品质模型还体现高光谱图像数据与氮含量、微量元素含量的关系；

微量元素包括磷、钾、钙和锌。

品质模块还可以包括生理营养模型和病害诊断模型请提供，这些模型也是现有成熟技术。

建立上述离线模型的技术为现有技术。

在线定位的茶树活体生育特征数据采集装置的结构为：

在覆盖茶树种植区域的矩形的四个角点上分别设置四根竖直的支撑杆(2)；每一根支撑杆的顶端设有一个有色标识(3)；在该矩形的两条平行的长边上各设有一条导轨(1)；2条平行的导轨的两端各设有一个导轨枕(10)和一个限位器(11)；

机架(5)的底部设置的4个滑轮和用于驱动滑轮的电机(20)；电机工作时，驱动滑轮带动机架沿导轨滑动；机架上安装有2个与所述限位器配对使用的限位开关(17)；

全方位视觉传感器(9)固定在机架顶部设置的三角架(12)上；

机架上还设有计算机(7)、蓄电池(8)、超声波传感器(16)、光源(4)和无线发射器(14)；机架的顶部还通过悬垂向下的连接杆设置有一个高光谱传感器；计算机所采集的数据通过无线发射器传输到人工综合管理中心；

限位开关、蓄电池、超声波传感器、无线发射器、全方位视觉传感器和高光谱传感器均与计算机连接，电机受控于计算机；

连接杆包括伸缩机构和设置在伸缩机构下方的旋转夹持机构；伸缩机构和旋转夹持机构通过连接板(36)相连；

伸缩机构包括螺纹套筒(33)、设置在螺纹套筒内的螺纹轴(35)以及螺纹轴顶端设置的旋转把手(31)；螺纹套筒通过连接件固定板(43)固定在机架上；螺纹套筒设有第一固定螺栓(34)；【伸缩机构可以先伸缩到位，再安装下半部分。】

旋转夹持机构包括固定在连接板(36)底部的方钢(42)和通过斜度固定板(40)和固定螺钉(41)安装在方钢上的夹持装置(37)；斜度固定板为扇形，斜度固定板上设有一个圆孔，斜度固定板通过该圆孔挂装在固定螺钉上；斜度固定板还设有弧形的定位孔(46)；夹持装置通过倾斜度调节支块(38)安装在斜度固定板上；倾斜度调节支块上设置的第二固定螺栓(39)穿过所述的定位孔(46)完成夹持装置的固定；

机架的顶部设有与蓄电池相连的太阳能电池板(6)；电机上设有电机编码器(19)；全方位视觉传感器通过USB线与计算机相连，电机编码器与计算机相连，机架的四周设有带毛毡胶带(45)的遮光布(44)。【遮光布附在机架周围在监测过程中，减少光线影响。毛毡胶带用于将遮光布粘在机架上】

基于有色标识和全方位视觉传感器的定位过程如下：

4个有色标识L1～L4在作业区周围形成的矩形长为a、宽为b；四个有色标识中的每相邻两个有色标识与全方位视觉传感器投影中心在全方位图像中的方位角θ₁～θ₄；根据几何学圆弧形成原理，由L1和L2有色标识点和上述方位角θ₁即圆心角形成弧S₁，同理，L2和L3、θ₂形成弧S₂，L3和L4、θ₃形成弧S₃，L3和L4，θ₄形成弧S₄，弧S₁～S₄分别两条相交，得出四个交点，4个交点坐标为： $\left\{\begin{array}{c}{X}_{I1}=\frac{b(c_1+1/{\tan \mathrm{\θ}}_1)}{1+{c_1}^2}\\ Y_{I1}=\frac{b{c}_1(c_1+1/{\tan \mathrm{\θ}}_1)}{1+{c_1}^2}\end{array}\right.;$ 其中 $c_1=\frac{b/{\tan \mathrm{\θ}}_1-a}{a/{\tan \mathrm{\θ}}_2-b};$ $\left\{\begin{array}{c}{X}_{I2}=\frac{b(c_2+1/{\tan \mathrm{\θ}}_2)}{1+{c_2}^2}\\ Y_{I2}=\frac{b{c}_2(c_2+1/{\tan \mathrm{\θ}}_2)}{1+{c_2}^2}\end{array}\right.,$ 其中 $c_2=\frac{b/{\tan \mathrm{\θ}}_2-a}{a/{\tan \mathrm{\θ}}_3-b};$ $\left\{\begin{array}{c}{X}_{I3}=\frac{b(c_3+1/{\tan \mathrm{\θ}}_3)}{1+{c_3}^2}\\ Y_{I3}=\frac{b{c}_3(c_3+1/{\tan \mathrm{\θ}}_3)}{1+{c_3}^2}\end{array}\right.,$ 其中 $c_3=\frac{b/{\tan \mathrm{\θ}}_3-a}{a/{\tan \mathrm{\θ}}_4-b};$ $\left\{\begin{array}{c}{X}_{I4}=\frac{b(c_4+1/{\tan \mathrm{\θ}}_4)}{1+{c_4}^2}\\ Y_{I4}=\frac{b{c}_4(c_4+1/{\tan \mathrm{\θ}}_4)}{1+{c_4}^2}\end{array}\right.,$ 其中 $c_4=\frac{b/{\tan \mathrm{\θ}}_4-a}{a/{\tan \mathrm{\θ}}_1-b};$

得出交点重心坐标P(X₁，Y₁)，如下：

$\left\{\begin{array}{c}{X}_1=(X_{I1}+X_{I2}+X_{I3}+X_{I4})/4\\ Y_1=(Y_{I1}+Y_{I2}+Y_{I3}+Y_{I4})/4\end{array}\right.;$

重心坐标P(X₁，Y₁)即全方位视觉传感器的在XOY平面(即茶园所在平面)中的坐标。

有益效果：

本发明的茶树精细化栽培生育性状实时监测方法，本发明的方法为精细有机茶园建设提供基础支撑技术，将实现茶园管理中在线空间定位实时监测茶树活体鲜茶叶中的营养生理指标(水分、氮、磷、钾)，理化品质指标(儿茶素、茶多酚、氨基酸、咖啡碱)和生长指标(病害、发芽数，百芽重、产量)，指导精细″处方施肥″，提高优质名茶的原材料品质和产量，有效节约农业资源及减少环境负荷；并建立鲜茶叶采摘判别模型为合理采摘作业提供判断依据，有效协调采与养、量与质之间的关系，实现茶叶的优质高产、延长经济年限、提高经济效益的目的。

本发明的茶树精细化栽培生育性状实时监测方法，采用全方位视觉传感器结合人工标识进行了信息采集点空间定位；利用高光谱成像传感器采集茶鲜叶光谱数据，通过计量化学分析方法建立评价模型检测鲜茶叶的营养生理指标(水分、氮、磷、钾、钙、锌等微量元素)，理化品质指标(儿茶素、茶多酚、氨基酸、咖啡碱)和生长指标(病害、发芽数，百芽重、产量)，完成对精细化茶园管理；利用超声波传感器测量茶鲜叶的平均生长高度，融合产量相关模型(芽数模型、干物重模型、百芽重模型)和理化品质模型，判别鲜茶叶采摘最佳时期。本发明技术完成茶树活体在生长发育过程中，在线、实时、定位对鲜茶叶的生理和理化品质的较高精度微观化监测，准确地指导精细化管理和平衡采与养、量与质之间的关系，实现茶叶的优质高产、延长经济年限和提高经济效益。

本发明的茶树精细化栽培生育性状实时监测方法，采用高光谱成像、超声波测距和全方位视觉定位技术的三传感信息融合的茶树活体发育特征性状无损监测方法，极大地提高我国茶园的科学管理水平和信息化程度，将有效带动茶园管理中施肥、施药、保湿保墒、采摘等作业的自动化发展，大量减少人工劳动量，缓解农村劳动力缺乏对茶园产业发展带来的影响；通过实时监测分析实施″处方作业″，节约资源和减少环境负荷，促进茶业产业发展，提升我国精细化茶园建设水平，降低生产成本，提高鲜茶叶品质，增强茶业产业国际竞争力。

本发明的茶树精细化栽培生育性状实时监测方法构思巧妙，根据茶树多年生特点，根据茶园面积、种类、分布等在茶园中建立一个或几个数据采集点，并安装在线定位数据采集装置，实现以点带面的茶园精细化管理；同时要求在数据采集过程中，保证每次采集的数据位置点相同，有利于数据的对比分析，尤其相对于多波段的高光谱传感器尤其重要，采用了全方位视觉定位传感器和人工标识相结合的定位装置，节省成本、安装简单、定位精度非常高。高光谱传感器的光谱数据能分析生理和理化品质指标、超声波传感器能测量生长高度变化，两者结合能评价品质和长势的关系，完成指导精细化茶园管理，有利于减少施肥施药等；同时根据鲜茶叶品质和长势判断最佳采摘时期，既保证质量又保证产量。

总之，本发明的一种茶树精细化栽培生育性状实时监测方法，构思独特、专业性强、自动化程度高、效益明显、绿色环保、具有非常重要的实际意义。

另外，本发明的方法所涉及的数据采集***，在现场定位的基础上，依据茶树活体生长发育过程中的茶树活体生育特征数据采集，实时地、自动地、精确地监测茶树生长过程，实现茶树的精细化种植，用于提高指导准确性和有利于平衡采与养、量与质之间的关系，实现茶叶的优质高产、延长经济年限和提高经济效益的目的。

本发明的在线定位数据采集装置，采用电机自动运行，定点移动，电脑自动采集数据，超声波传感器、全方位视觉定位传感器和高光谱传感器三传感器协作工作，减轻劳动强度，提高数据采集效率，有利于缓和农村劳动力减少和老龄化带来的社会影响，促进茶业产业发展，提升我国精细化茶园建设水平，降低生产成本，提高鲜茶叶品质，增强茶业产业国际竞争力。

本发明的数据采集装置设计合理，根据茶园的农艺要求设计铁轨和机架；根据高光谱传感器对光线等外界环境的敏感，设计灯源和遮光设备，同时高光谱传感器对植物的高度可调，可控制旋转角度，操作简单。

本发明的施肥施药机构思巧妙，根据茶树多年生特点，根据茶园面积、种类、分布等在茶园中建立一个或几个数据采集点，并安装在线定位数据采集装置，实现以点带面的茶园精细化管理；同时要求在数据采集过程中，保证每次采集的数据位置点相同，有利于数据的对比分析，尤其相对与多波段的高光谱传感器尤其重要，采用了全方位视觉定位传感器和人工标识相结合的定位装置，节省成本、安装简单、定位精度非常高。高光谱传感器的光谱数据能分析生理和理化品质指标、超声波传感器能测量生长高度变化，两者结合用于进一步评价茶叶品质和长势的关系，有利于实现茶树种植的精细化，有利于减少施肥施药等；同时根据鲜茶叶品质和长势判断最佳采摘时期，既保证质量又保证产量。

总而言之，本发明的数据采集装置构思非常新颖，专业化和自动化程度高，操作简单、功能独特，且工作效率高。

附图说明

图1为茶树精细化栽培生育性状实时监测方法的总体结构示意图；

图2为全方位视觉定位传感器结构示意图；

图3为高光谱传感器连接件结构示意图；

图4为遮光结构示意图；

图5为高光谱传感器斜度固定板结构示意图；

图6为在全方位图像中全方位视觉定位传感器与四个有色标识(L1～L4)的位置关系示意图；

图7为在XOY平面中全方位视觉定位传感器定位原理图；

图8为本发明实施例中所述方法的构建路线图；

图9为本发明实施例中所述方法的工作流程图；

图10为本发明实施例中所述方法的高光谱监测模型建立技术路线图；

图11为本发明实施例中所述方法的全方位视觉定位实现技术路线图。

标号说明：1.导轨、2.支撑杆、3.有色标识、4.光源、5.机架、6.太阳能电池、7.计算机、8.蓄电池、9.全方位视觉定位传感器、10.导轨枕、11.限位器、12.三脚架、13.USB线、14.无线发射器、15.触发控制器、16.超声波传感器、17.限位开关、18.导向轮、19.电机编码器、20.电机、21.驱动轮、22.曲型镜面、23.中心针、24.USB摄像机、25.USB接口、26.调焦螺纹、27.镜头、28.下盖、29.透明外罩、30.上盖、31.旋转把手、32.把手套筒、33.螺纹套筒、34.第一固定螺栓、35.螺纹轴、36.连接板、37.高光谱传感器夹持装置、38.倾斜度调节支块、39.第二固定螺栓、40.斜度固定板、41.固定螺钉、42.方钢、43.连接件固定板、44.遮光布、45.毛毡胶带、46.定位孔、47.茶树。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

如图1-11所示，一种茶树精细化栽培生育性状实时监测方法，包括机架和安装在机架上的动力***、传感器***以及行走***、控制中心；机架根据标准茶园农艺要求，宽度为200cm，高度为140～160cm(根据茶树高度)；动力***由太阳能电池和蓄电池提供电能；

传感器***包括生长发育特征传感***和全方位视觉定位传感***；生长发育特征传感***包括超声波传感器、高光谱传感器、计算机；超声波传感器安装在机架上并通过数据(I/O)接口与计算机连接；超声波传感器对准茶树采集数据，采用超声波距离传感器测量树叶与传感器间的距离来采集茶树叶生长情况数据；高光谱传感器通过连接件安装在机架上，在光源另一侧与茶树呈约45°采集数据，采集茶鲜叶的光谱信息，通过实验和化学计量方法研究建立光谱特征与指标的定量分析模型监测和分析茶鲜叶的营养生理指标、理化品质指标和生长指标；根据茶鲜叶的理化品质指标和产量模型，利用高光谱的图像信息采用图像处理技术和超声波长势信息估算鲜茶叶尺寸，采用神经网络反演建立高准确性采摘判别模型(建立相关模型为本领域的成熟技术)；全方位视觉定位传感***包括全放视觉定位传感器和人工标识，全放视觉定位传感器安装在机架上方并通过数据(I/O)接口与计算机连接；人工标识包括标识支撑杆和四个有色标识(L1、L2、L3、L4)，分别安装在导轨的四个角落上，呈长方或矩形状，全放视觉定位传感器采集人工标识图像，提取人工标识特征进行定位；传感器采集的数据输入计算机中。

行走***包括导轨及导轨枕、电机、驱动轮、导向轮、限位开关、限位装置；导轨是指将铁轨通过导轨枕平稳地安装在茶园茶树垄间用于承担机架的往复运动；电机安装在机架下方两侧；驱动轮和导向轮安装在机架底部，与导轨配套选型和直接配合工作；电机通过链轮带动驱动轮和数据采集装置运动；导轨两末端分别安装限位装置，实现数据采集装置的停止运动。

控制中心包括计算机、电机编码器、限位开关、无线网络数据传输***；计算机、电机编码器、限位开关、无线网络数据传输***都固定在机架上；计算机与传感***共用，计算机通过其内部的程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，计算机内部的程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。限位开关，其工作原理当机架运动到导轨边沿，限位开关受限位装置触摸，发出信号反馈到计算机，程序控制器发射断电命令或直接通过接触开关断开电源，停止电机和超声波传感器、高光谱传感器、全方位视觉定位传感器的工作；无线网络数据传输***包括与上共用的计算机、触发控制器、无线发射器；计算机接收传感器采集的数据后，通过触发控制器触发无线发射器发射传感器采集的数据到数据管理中心；同时也可通过无线网络接受操作信号。

本实例中，一种茶树活体生育特征精细化管理在线定位数据采集装置，包括机架和安装在机架上的动力***、传感器***以及行走***、辅助***、控制中心；所述机架根据标准茶园农艺要求，宽度为200cm，高度为140～160cm(根据茶树高度)；所述动力***由太阳能电池和蓄电池提供电能，安装在机架上方；

所述传感器***包括生长发育特征传感***和全方位视觉定位传感***；所述生长发育特征传感***包括超声波传感器、高光谱传感器、计算机；所述超声波传感器安装在机架上并通过数据(I/O)接口与计算机连接；超声波传感器对准茶树采集数据，采用超声波距离传感器测量树叶与传感器间的距离来采集茶树叶生长情况数据；

所述高光谱传感器通过图3所示的连接件安装在机架上，并通过数据(I/O)接口与计算机连接；所述连接件通过固定板连接在机架上，包括旋转把手、把手套筒、螺纹套筒、第一固定螺栓、螺纹轴、连接板、方钢、高光谱传感器夹持装置、倾斜度调节支块、第二固定螺栓、斜度固定板和固定螺钉；所述旋转把手先将螺纹轴伸出机架上平面后，通过把手套筒固定在螺纹轴上；所述螺纹轴通过旋转把手，螺纹轴和螺纹套筒相对运动，可调节并通过第一固定螺栓固定高度；所述螺纹套筒与连接件固定板焊接；所述连接板，一块与螺纹轴焊接，另一块与方钢焊接；所述方钢通过第二固定螺栓连接斜度固定板和倾斜度调节支块；所述高光谱传感器夹持装置通过螺栓连接在倾斜度调节支块上；调节高光谱传感器的倾斜角度，拧紧第二固定螺栓，通过螺钉和定位孔固定高光谱传感器；所述高光谱传感器的使用原理，采集的高光谱图像是在特定波长范围内由一系列波长处的光学图像组成的三维图像块，既具有某个特定波长下的图像信息，又具有某个特定像素在不同波长下的光谱信息；光谱信息能充分反映比如茶叶内部有效成分(包括多酚类、植物碱、氨基酸和蛋白质等含氢基团成分)的特征信息，这些特征信息又与茶叶的滋味和香味等品质因子密切相关；图像信息能充分反映茶叶的外部品质特征，能完成内外品质的反映。通过高光谱传感器采集数据的辅助设备包括灯光和遮光布，所述灯光和遮光布为高光谱传感器提供一个与外界环境无关的作业环境，避免外界因素干扰；所述遮光布采用不透光材料，包围机架四周，低于高光谱传感器，通过毛毡胶带粘合成半封闭状。在光源另一侧与茶树呈约45°采集数据，采集茶鲜叶的光谱信息；其实现原理为：通过实验和化学计量方法研究建立光谱特征与指标的定量分析模型监测和分析茶鲜叶的营养生理指标、理化品质指标和生长指标；根据茶鲜叶的理化品质指标和产量模型，利用高光谱的图像信息采用图像处理技术和超声波长势信息估算鲜茶叶尺寸，采用神经网络反演建立高准确性采摘判别模型；

所述全方位视觉定位传感***包括全放视觉定位传感器和人工标识；所述全放视觉定位传感器安装在机架上方并通过数据(I/O)接口与计算机连接；所述全方位视觉传感器包括曲型镜面22、中心针23、USB摄像机24、USB线接口25、调焦螺纹26、镜头27、下盖28、透明外罩29和上盖30；曲型镜面22与所述上盖30粘合在一起；所述上盖30以螺纹方式旋紧在所述透明外罩29上；所述下盖28是中间空心并伸出4mm螺口连接所述USB摄像机镜头25；所述透明外罩28套接于曲型镜面22外部，以支撑曲型镜面22，并起防止灰尘的作用；所述中心针23通过螺纹与上盖29连接，穿过并紧密粘合在曲型镜面22的中心，能有效防止光线发生镜面间相互反射；USB摄像机24的镜头27螺纹连接在下盖27上，USB摄像机的镜头27上设有调焦螺纹24，所述USB摄像机的镜头27获取的信号经USB接口25输出，并通过USB线13输出到计算机7。所述人工标识包括标识支撑杆和四个有色标识(L1、L2、L3、L4)，分别安装在导轨的四个角落上，呈长方或矩形状，全放视觉定位传感器采集人工标识图像，提取人工标识特征进行定位；如图6所示，a为导轨宽度，b为导轨长度；提取人工标识的图像特征，得到方位角θ₁～θ₄，基于圆周定理每相邻两个有色标识和对应的方位角形成一条弧线，总共形成4条弧线，每2条弧相交得到1个交点，共得到4个交点I₁～I₄，交点I₁～I₄的重心为定位值；

传感器采集的数据输入计算机中。

所述行走***包括导轨及导轨枕、电机、驱动轮、导向轮、限位开关、限位装置；所述导轨是指将铁轨通过所述导轨枕平稳地安装在茶园茶树垄间用于承担机架的往复运动；所述电机安装在机架下方两侧；所述驱动轮和导向轮安装在机架底部，与导轨配套选型和直接配合工作；所述电机通过链轮带动所述驱动轮和数据采集装置运动；所述限位装置分别安装在导轨两末端，实现数据采集装置的停止运动。

所述控制中心包括计算机、电机编码器、限位开关、无线网络数据传输***；所述计算机、电机编码器、限位开关、无线网络数据传输***都固定在机架上；所述计算机与传感***共用，计算机通过其内部的程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，计算机内部的程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。限位开关，其工作原理当机架运动到导轨边沿，限位开关受限位装置触摸，发出信号反馈到计算机，程序控制器发射断电命令或直接通过接触开关断开电源，停止电机和超声波传感器、高光谱传感器、全方位视觉定位传感器的工作；无线网络数据传输***包括与上共用的计算机、触发控制器、无线发射器；计算机接受传感器采集的数据后，通过触发控制器触发无线发射器发射传感器采集的数据到数据管理中心；同时也可通过无线网络接收操作信号。

本实施例的工作过程是：计算机通过其内部的程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，计算机内部的程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。将采集的数据经数据(I/O)输送到计算机中；通过无线传输输送到数据管理中心。

另外，机架根据作物的不同，设计为不同的宽度和宽度；在条件较好的作业环境，温室、平地中，可以不使用导轨，适用于不同作物(蔬菜、水果等)的数据采集。

高光谱传感器可包括多光谱、超光谱、红外线、拉曼光谱、THz光谱等不同光谱传感器，可用于农约残留、种子发芽和实验化学、物理过程的数据采集。

还可以通过直流电机电极变化可实现数据采集装置来回运动。

监测模型建立：

1)选定区域，提前一年，根据不同品种和土壤特性多行采用不同的施肥配方施肥、灌溉等园间管理，保证样品的多样性和原始分析数据(化学成分等)的准确性；

2)原始数据采集，包括与产量有关的芽数、干物重、百芽重、与生理营养相关的氮含量、以及水、钾、磷含量和理化品质相关的儿茶素、茶多酚、氨基酸、咖啡碱等。其中还包括展开度和氮保有量计算。分两次采集时间段，大约从4月底开始至5月中旬采一期茶，分为5～7次采集数据；大约从6月中旬至7月上旬采二期茶，分5～7次采集数据；每次采集高光谱图像数据后，马上手工掐采的鲜茶叶，一芽二叶和一芽一叶的采摘方式，称重、统计芽数和未展开芽数；然后冷冻速处理，实验室法烘干(测量水分)、粉碎后，凯氏定氮法测量氮含量、火焰原子吸收光谱法测定磷、钾、钙、锌等微量元素；用高效液相色谱法(HPLC)测定鲜茶叶中儿茶素类、茶多酚、氨基酸、咖啡碱含量；用天平测量干物重；

干物重乘以氮含量为氮保有量进行计算。未展开芽数占统计芽数百分比定义为新芽展开度；

3)统计分析原始数据；

4)图像前处理。利用新芽叶的光谱反射率特征来研究指标模型，但图像中包括新芽和老叶，要通过图像处理来完成；根据Coriander编程二维图像合成，然后利用图像处理软件(Research System，ENVI.4.3)，根据

(其中，R_NIR-近红外波段的反射率；R_Red-红波段的反射率；R_Green-绿波段的发射率)计算新芽和老叶植被指数值，，利用ENVI-Density Slice功能，选择并取出新芽的GreenNDVI-NDVI植被指数值阈值，进行新芽和老叶识别。再利用ENVI-ROI工具进行提取，然后计算提取后图像的光谱反射率的平均值为新芽的反射率；

5)高光谱模型建立。高光谱波段分析，选择采用阶导数、滑动平均滤波(MAF)等预处理方法；尝试逐步回归(SWR)、主成分(PCAR)、偏最小二乘(PLSR)、偏最小二乘与人工神经网络结合(PLS+ANN)等方法试建模型，以回判系数、回判均方根误差(RMSEC)评价模型优劣。根据PLSR建立校正模型，根据Full cross validation法，对模型的妥当性进行评估；根据相关系数(R)、RMSEC和预测均方根误差(RMSEP)作为模型精度评价指标；建立芽数模型、干物重模型、百芽重模型、理化品质模型、生理营养模型和病害诊断模型。

6)采用数学形态学和图像处理方法(边界检测、分割、灰值形态学等)对GreenNDVI-NDVI图像进行计算，结合超声波长势数据建立度量新芽尺寸发育三维模型；融合高光谱品质监测模型和产量模型，进行神经网络训练反演和预测，建立预测采摘模型。

(3)定位***构建：

1)定位***包括全方位视觉传感器和人工标识；人工标识包括标识支撑杆和四个红色标识(L1、L2、L3、L4)，分别安装在导轨的四个角落上，呈长方或矩形状(长：a、宽：b)；

2)试验分析全方位视觉传感器的二次曲线镜面组合。在室外与传感器一定距离(100m)设置纯红色标识，采用双曲线型镜面与水平等比镜面、垂直等比镜面不同组合在不同的天气条件采集图像，根据颜色区域分割法提取图像中一定阈值范围的红色像素量作为衡量指标，结合理论分析和试验结果择优选取二次曲线镜面组合，然后工厂定做；

3)设计田间试验分析全方位视觉传感器标识成像大小与标识的距离、标识外形尺寸、相机高度等之间的关系。采用传感器与标识距离、标识高度、标识直径、传感器高度四个影响因素，通过单因素试验建立标识成像与四因素之间的分析方程，确定影响关系；并通过多因素正交试验建立标识成像与四因素之间相关性模型，指导依据使用面积、传感器安装高度等来设计标识大小；

3)保证全方位视觉传感器从不同的角度摄取到标识表面的图像相同，设计为圆柱形等，采用两种颜色鲜明(如红色和蓝色)和光源，增强标识的颜色强度减少环境的影响；同时为了减少作物生长对标识的影响，采用支架增加高度等试验。

5)***标定：在普通相机平面棋盘格图像校正算法的基础上，运用全方位图像的边界对相机投影中心内部参数(Intrinsic para.)初始化和运用全方位视觉传感器成像统一模型，求出空间点和虚拟像点间的单应性矩阵(Homography)，初始化外部参数(Extrinsic para.)，求解全景图像中的图像点与一条由全向反射镜面的视点所射出的光线矢量之间的关系，利用基于Levenberg-Marquardt等算法化出内部参数和外部参数；

6)摄像机参数(如曝光时间、光圈、增益等)调节实现：使用香农熵来定义图像熵，采用颜色直方分布图计算方法；设计在室内和室外不同环境下采取图像，获取一系列不同曝光时间和增益下的全景图像，并计算所有图像的图像熵，根据图像熵与摄像机参数变化曲线，分析出最优摄像机参数。通过计算图像中心区域的亮度均值判断是否进入了一个新的工作环境。假设均值的增幅超过某一阈值，可自认为光线强烈，采用搜索路径优化并朝曝光时间和增益减小的方向进行，反之亦然，实现一种类似视觉注意机制的对目标区域成像的恒常性。

7)根据空间点成像原理和几何关系推导出空间点和成像点模型；然后根据空间距离成像原理和几何关系推导出空间距离与成像距离关系模型，得出算法中根据距离阈值判别依据；

8)尽量保证图像中特征像素提取的均匀性，先可采用经典低通滤波等进行图像平滑，再采用如高斯高通滤波(Gaussian Highpass Filter)除噪；

9)根据全方位图像的成像特点和图像不同位置分辨率的比例关系，确定分辨率越高像素点，领域面积越大；根据全方位图像的环形几何特点，邻域区域的形状以图像的中心为圆心、以像素点为中心的扇形领域；采用基于反射镜面的领域选取方法来满足邻域面积与位置分辨率的乘积为一个定常数的条件。以全方位图像投影中心为圆心，一定半径分割图像；扫描计算像素R、G、B亮度，根据亮度和像素欧氏距离及聚类算法(KMEANS Clustering Algorithm)分割标识特征块，求出特征块像素的重心作为人工标识在图像中的位置点；采取改进的直方图匹配高斯算法和基于最大熵法的阈值分割和马尔可夫随机场(Markov RandomField)算法来跟踪标识；

10)根据标识在图像中提取的特征像素数，借助贝叶斯定理(Bayes′theorem)来评价标识在定位计算中的信用度，估算标识特征提取像素在计算方位角度的权重比例来计算方位角度；根据标识在定位计算中的“置信度(Confidence)”来评估传感器的位置。

11)4标识点定位计算。如图7，由方向角θ₁～θ₄形成相应的圆弧S₁～S₄；在一般情况下，由于测量、标识识辨等误差的存在，出现4个交点I₁～I₄，经过几何推导，依次求出4个交点，最终的定位坐标为： $\left\{\begin{array}{c}{x}_1=(x_{I1}+x_{I2}+x_{I3}+x_{I4})/4\\ y_1=(y_{I1}+y_{I2}+y_{I3}+y_{I4})/4\end{array}\right.$

12)定位验证试验。在茶园铁轨上，定点静止采集图像，分析计算值与已知测量值的误差(定位误差)，检验并分析算法的鲁棒性、实时性等。

(4)定位数据采集

人工综合管理中心通过无线传输工作命令，监测控制中心接受命令后，通过程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。

(5)数据处理与传送

将采集的数据经数据(I/O)输送到监测装置控制中心；通过无线传输输送到人工综合管理中心。

(6)结果输出，通过数据分析和监测模型反演，推算出茶树活体的生长发育特征状态，进行生产指导。

本实例中，一种茶树精细化栽培生育性状实时监测方法，包括以下步骤：监测装置设计、监测模型建立、定位***构建、定位数据采集、数据处理与传送、结果输出。

所述监测装置设计，包括机架、动力***、传感***、行走***、控制***；所述机架根据标准茶园农艺要求，宽度设计为200cm，高度为140～160cm(根据茶树高度)；所述动力***由太阳能蓄电池提供电能；所述传感器***包括生长发育特征传感***和全方位视觉定位传感***；所述生长发育特征传感***包括超声波传感器、高光谱传感器、计算机；所述超声波传感器安装在机架上并通过数据(I/O)接口与计算机连接；所述超声波传感器对准茶树采集数据，采用超声波距离传感器测量树叶与传感器间的距离来采集茶树叶生长情况数据；所述高光谱传感器通过连接件安装在机架上，在光源另一侧与茶树呈约45°采集数据；所述全方位视觉定位传感***包括全方位视觉定位传感器和计算机，所述全放视觉定位传感器安装在机架上方并通过数据(I/O)接口与计算机连接；传感器采集的数据输入计算机中。

所述行走***包括导轨及导轨枕、电机、驱动轮、导向轮、限位开关、限位装置；所述导轨是指将铁轨通过导轨枕平稳地安装在茶园茶树垄间用于承担机架的往复运动；所述电机安装在机架下方两侧，电机通过链轮带动驱动轮和监测装置运动；；所述驱动轮和导向轮安装在机架底部，与导轨配套选型和直接配合工作；所述限位装置分别安装在导轨两末端，与所述限位开关配合实现数据采集装置的停止运动。

所述控制***包括监测控制中心、电机编码器、限位开关、无线网络数据传输***；所述监测控制中心即计算机、电机编码器、限位开关、无线网络数据传输***都固定在机架上；所述计算机与传感***共用，所述监测控制中心接受命令后，程序控制器定时触发或人工开启数据采集开关，开启超声波传感器、高光谱传感器、全方位视觉定位传感器工作状态；所述电机编码器接受监测控制中心的命令，指示电机带动监测装置运动；全方位视觉定位传感***实现定位计算，监测控制中心指示程序控制器发射命令使监测装置在固定点停止运动、计时采集数据；完成后重新指示监测装置继续前行；所述限位开关与导轨两端边沿限位装置接触时，信号反馈到控制中心，程序控制器发射断电命令或直接通过接触开关断开电源，停止电机和超声波传感器、高光谱传感器、全方位视觉定位传感器的工作；所述无线网络数据传输***包括与上共用的计算机、触发控制器、无线发射器；计算机接受传感器采集的数据后，所述触发控制器触发无线发射器发射传感器采集的数据到数据管理中心；同时也可通过无线网络接受操作信号。

所述监测模型建立的具体方法包括采集前园区准备、原始数据采集、图像前处理、高光谱模型建立和采摘模型建立。

所述采集前园区准备，选定区域，提前一年，根据不同品种和土壤特性多行采用不同的施肥配方施肥、灌溉等园间管理，保证样品的多样性和原始分析数据(化学成分等)的准确性；

所述原始数据采集，包括与产量有关的芽数、干物重、百芽重、与生理营养相关的氮含量、以及水、钾、磷含量和理化品质相关的儿茶素、茶多酚、氨基酸、咖啡碱等。其中还包括展开度和氮保有量计算。分两次采集时间段，大约从4月底开始至5月中旬采一期茶，分为5～7次采集数据；大约从6月中旬至7月上旬，分5～7次采集数据；每次采集高光谱图像数据后，手工掐采距离为1m的鲜茶叶，一芽二叶以上的采摘方式，然后统计芽数和未展开芽数，以后者占前者百分比定义为新芽展开度；干物重乘以氮含量为氮保有量进行计算。然后速处理后实验室法烘干、粉碎和凯氏定氮法等测定方法确定生理营养指标含量((水分、氮、磷、钾、钙、锌等微量元素)，理化品质指标含量(儿茶素、茶多酚、氨基酸、咖啡碱)及干物重等；统计分析原始数据；

所述图像前处理，利用新芽叶的光谱反射率特征来研究指标模型，但图像中包括新芽和老叶，要通过图像处理来完成；根据Coriander编程二维图像合成，然后利用图像处理软件(Research System，ENVI.4.3)，根据

值进行新芽和老叶识别，利用ENVI-DensitySlice功能，所取新芽的GreenNDVI-NDVI值作为阈值，再利用ENVI-ROI(Regionof Interest)进行提取，计算的平均值为新芽的反射；

所述高光谱模型建立过程为采用高光谱波段分析，选择采用阶导数、滑动平均滤波(MAF)等预处理方法；尝试逐步回归(SWR)、主成分(PCAR)、偏最小二乘(PLSR)、偏最小二乘与人工神经网络结合(PLS+ANN)等方法试建模型，以回判系数、回判均方根误差(RMSEC)评价模型优劣。根据PLSR建立校正模型，根据Full cross validation法，对模型的妥当性进行评估；根据相关系数(R)、RMSEC和预测均方根误差(RMSEP)作为模型精度评价指标；建立芽数模型、干物重模型、百芽重模型、理化品质模型、生理营养模型和病害诊断模型。

所述采摘模型建立采用数学形态学和图像处理方法(边界检测、分割、灰值形态学等)对GreenNDVI-NDVI图像进行计算，结合超声波长势数据建立度量新芽尺寸发育三维模型；融合高光谱品质监测模型和产量模型，进行神经网络训练反演和预测，建立预测采摘模型。

所述定位***构建包括硬件、定位实现原理分析和应用试验；所述硬件包括全方位视觉传感器和人工标识；所述全方位视觉传感器通过三脚架安装在机架上，一次拍摄能摄取传感器周围360°大范围内的图像信息；所述人工标识包括标识支撑杆和四个红色标识(L1、L2、L3、L4)，分别安装在导轨的四个角落上，呈长方或矩形状(长：a、宽：b)；

所述定位实现原理分析包括以下步骤：

试验分析全方位视觉传感器的二次曲线镜面组合。在室外与传感器一定距离(100m)设置纯红色标识，采用双曲线型镜面与水平等比镜面、垂直等比镜面不同组合在不同的天气条件采集图像，根据颜色区域分割法提取图像中一定阈值范围的红色像素量作为衡量指标，结合理论分析和试验结果择优选取二次曲线镜面组合，然后工厂定做；

设计田间试验分析全方位视觉传感器标识成像大小与标识的距离、标识外形尺寸、相机高度等之间的关系。采用传感器与标识距离、标识高度、标识直径、传感器高度四个影响因素，通过单因素试验建立标识成像与四因素之间的分析方程，确定影响关系；并通过多因素正交试验建立标识成像与四因素之间相关性模型，指导依据使用面积、传感器安装高度等来设计标识大小；

保证全方位视觉传感器从不同的角度摄取到标识表面的图像相同，设计为圆柱形等，采用两种颜色鲜明(如红色和蓝色)和光源，增强标识的颜色强度减少环境的影响；同时为了减少作物生长对标识的影响，采用支架增加高度等试验。

在普通相机平面棋盘格图像校正算法的基础上，运用全方位图像的边界对相机投影中心内部参数(Intrinsic para.)初始化和运用全方位视觉传感器成像统一模型，求出空间点和虚拟像点间的单应性矩阵(Homography)，初始化外部参数(Extrinsic para.)，求解全景图像中的图像点与一条由全向反射镜面的视点所射出的光线矢量之间的关系，利用基于Levenberg-Marquardt等算法化出内部参数和外部参数；

调节摄像机参数(如曝光时间、光圈、增益等)，使用香农熵来定义图像熵，采用颜色直方分布图计算方法；设计在室内和室外不同环境下采取图像，获取一系列不同曝光时间和增益下的全景图像，并计算所有图像的图像熵，根据图像熵与摄像机参数变化曲线，分析出最优摄像机参数。通过计算图像中心区域的亮度均值判断是否进入了一个新的工作环境。假设均值的增幅超过某一阈值，可自认为光线强烈，采用搜索路径优化并朝曝光时间和增益减小的方向进行，反之亦然，实现一种类似视觉注意机制的对目标区域成像的恒常性。

根据空间点成像原理和几何关系推导出空间点和成像点模型；然后根据空间距离成像原理和几何关系推导出空间距离与成像距离关系模型，得出算法中根据距离阈值判别依据；

尽量保证图像中特征像素提取的均匀性，先可采用经典低通滤波等进行图像平滑，再采用如高斯高通滤波(Gaussian Highpass Filter)除噪；

根据全方位图像的成像特点和图像不同位置分辨率的比例关系，确定分辨率越高像素点，领域面积越大；根据全方位图像的环形几何特点，邻域区域的形状以图像的中心为圆心、以像素点为中心的扇形领域；采用基于反射镜面的领域选取方法来满足邻域面积与位置分辨率的乘积为一个定常数的条件。以全方位图像投影中心为圆心，一定半径分割图像；扫描计算像素R、G、B亮度，根据亮度和像素欧氏距离及聚类算法(KMEANS Clustering Algorithm)分割标识特征块，求出特征块像素的重心作为人工标识在图像中的位置点；采取改进的直方图匹配高斯算法和基于最大熵法的阈值分割和马尔可夫随机场(Markov Random Field)算法来跟踪标识；

根据标识在图像中提取的特征像素数，借助贝叶斯定理(Bayes′ theorem)来评价标识在定位计算中的信用度，估算标识特征提取像素在计算方位角度的权重比例来计算方位角度；根据标识在定位计算中的“置信度(Confidence)”来评估传感器的位置。

实现4标识点定位计算。图7中，由方向角θ₁～θ₄形成相应的圆弧S₁～S₄；在一般情况下，由于测量、标识识辨等误差的存在，出现4个交点I₁～I₄，经过几何推导，依次求出4个交点，其重心P为传感器位置；

所述应用试验，在茶园铁轨上，定点静止采集图像，分析计算值与已知测量值的误差(定位误差)，检验并分析算法的鲁棒性、实时性等。

所述定位数据采集，人工综合管理中心通过无线传输工作命令，监测控制中心接受命令后，通过程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。

所述数据处理与传送，将采集的数据经数据(I/O)输送到监测装置控制中心；通过无线传输输送到人工综合管理中心。

所述结果输出，通过数据分析和监测模型反演，推算出茶树活体的生长发育特征状态，进行生产指导。

本实施例的工作过程是：

建立监测装置，通过化学实验得出茶树活体生理和理化品质数据，采集高光谱和图像数据，基于化学计量方法和超声波测距、图像融合建立高光谱监测模型和采摘模型；设置人工标识，通过试验分析和原理解析，建立全方位视觉传感定位原理，应用实验验证；园间监测控制中心接受人工综合中心命令后，通过程序控制器定时触发或人工开启数据采集装置的电源、超声波传感器、高光谱传感器、全方位视觉定位传感器工作；发射命令到电机编码器电机带动数据采集装置运动；全方位视觉定位传感***定位计算，程序控制器发射命令使数据采集装置定点停止运动、采集数据、重新运动；然后接受限位开关的信号，停止运动和数据采集。数据处理与传送，将采集的数据经数据(I/O)输送到监测装置控制中心；通过无线传输输送到人工综合管理中心；通过数据分析和监测模型反演，推算出茶树活体的生长发育特征状态，进行生产指导。

Claims (3)

1.一种茶树精细化栽培生育性状实时监测方法，其特征在于，基于在线定位的茶树活体生育特征数据采集装置进行实时数据采集，采集的数据通过无线通信方式传输到人工综合管理中心进行处理；

所采集的数据包括：

(1)利用定位机构采集当前的位置数据；

(2)利用高光谱成像传感器采集茶鲜叶光谱数据；

(3)利用超声波传感器测量茶鲜叶的平均生长高度；

人工综合管理中心依据以上数据结合离线建立的采摘判别模型，判别鲜茶叶采摘最佳时期；

采摘判别模型包括基于平均生长高度的度量新芽尺寸发育模型和基于高光谱图像数据的产量相关模型和品质相关模型；

产量相关模型包括芽数模型、干物重模型和百芽重模型；

品质相关模型包括理化品质模型；

理化品质模型体现高光谱图像数据与儿茶素类、茶多酚、氨基酸、咖啡碱含量的关系；

理化品质模型还体现高光谱图像数据与氮含量、微量元素含量的关系；

微量元素包括磷、钾、钙和锌。

2.根据权利要求1所述的茶树精细化栽培生育性状实时监测方法，其特征在于，在线定位的茶树活体生育特征数据采集装置的结构为：

在覆盖茶树种植区域的矩形的四个角点上分别设置四根竖直的支撑杆(2)；每一根支撑杆的顶端设有一个有色标识(3)；在该矩形的两条平行的长边上各设有一条导轨(1)；2条平行的导轨的两端各设有一个导轨枕(10)和一个限位器(11)；

机架(5)的底部设置的4个滑轮和用于驱动滑轮的电机(20)；电机工作时，驱动滑轮带动机架沿导轨滑动；机架上安装有2个与所述限位器配对使用的限位开关(17)；

全方位视觉传感器(9)固定在机架顶部设置的三角架(12)上；

机架上还设有计算机(7)、蓄电池(8)、超声波传感器(16)、光源(4)和无线发射器(14)；机架的顶部还通过悬垂向下的连接杆设置有一个高光谱传感器；计算机所采集的数据通过无线发射器传输到人工综合管理中心；

限位开关、蓄电池、超声波传感器、无线发射器、全方位视觉传感器和高光谱传感器均与计算机连接，电机受控于计算机；

连接杆包括伸缩机构和设置在伸缩机构下方的旋转夹持机构；伸缩机构和旋转夹持机构通过连接板(36)相连；

伸缩机构包括螺纹套筒(33)、设置在螺纹套筒内的螺纹轴(35)以及螺纹轴顶端设置的旋转把手(31)；螺纹套筒通过连接件固定板(43)固定在机架上；

螺纹套筒设有第一固定螺栓(34)；

旋转夹持机构包括固定在连接板(36)底部的方钢(42)和通过斜度固定板(40)和固定螺钉(41)安装在方钢上的夹持装置(37)；斜度固定板为扇形，斜度固定板上设有一个圆孔，斜度固定板通过该圆孔挂装在固定螺钉上；斜度固定板还设有弧形的定位孔(46)；夹持装置通过倾斜度调节支块(38)安装在斜度固定板上；倾斜度调节支块上设置的第二固定螺栓(39)穿过所述的定位孔(46)完成夹持装置的固定；

机架的顶部设有与蓄电池相连的太阳能电池板(6)；电机上设有电机编码器(19)；全方位视觉传感器通过USB线与计算机相连，电机编码器与计算机相连，机架的四周设有带毛毡胶带(45)的遮光布(44)。

3.根据权利要求2所述的茶树精细化栽培生育性状实时监测方法，其特征在于，基于有色标识和全方位视觉传感器的定位过程如下：

4个有色标识L1～L4在作业区周围形成的矩形长为a、宽为b；四个有色标识中的每相邻两个有色标识与全方位视觉传感器投影中心在全方位图像中的方位角θ₁～θ₄；根据几何学圆弧形成原理，由L1和L2有色标识点和上述方位角θ₁即圆心角形成弧S₁，同理，L2和L3、θ₂形成弧S₂，L3和L4、θ₃形成弧S₃，L3和L4，θ₄形成弧S₄，弧S₁～S₄分别两条相交，得出四个交点，4个交点坐标为：

$\left\{\begin{array}{c}{X}_{I1}=\frac{b(c_1+1/\tan {\mathrm{\θ}}_1)}{1+{c_1}^2}\\ Y_{I1}=\frac{{\mathrm{bc}}_1(c_1+1/\tan {\mathrm{\θ}}_1)}{1+{c_1}^2};\end{array}\right.$ 其中 $c_1=\frac{b/\tan {\mathrm{\θ}}_1-a}{a/\tan {\mathrm{\θ}}_2-b};$

$\left\{\begin{array}{c}{X}_{I2}=\frac{b(c_2+1/\tan {\mathrm{\θ}}_2)}{1+{c_2}^2}\\ Y_{I2}=\frac{{\mathrm{bc}}_2(c_2+1/\tan {\mathrm{\θ}}_2)}{1+{c_2}^2}\end{array},\right.$ 其中 $c_2=\frac{b/\tan {\mathrm{\θ}}_2-a}{a/\tan {\mathrm{\θ}}_3-b};$

$\left\{\begin{array}{c}{X}_{I3}=\frac{b(c_3+1/\tan {\mathrm{\θ}}_3)}{1+{c_3}^2}\\ Y_{I3}=\frac{{\mathrm{bc}}_3(c_3+1/\tan {\mathrm{\θ}}_3)}{1+{c_3}^2}\end{array},\right.$ 其中 $c_3=\frac{b/\tan {\mathrm{\θ}}_3-a}{a/\tan {\mathrm{\θ}}_4-b};$

$\left\{\begin{array}{c}{X}_{I4}=\frac{b(c_4+1/\tan {\mathrm{\θ}}_4)}{1+{c_4}^2}\\ Y_{I4}=\frac{{\mathrm{bc}}_4(c_4+1/\tan {\mathrm{\θ}}_4)}{1+{c_4}^2}\end{array},\right.$ 其中 $c_4=\frac{b/\tan {\mathrm{\θ}}_4-a}{a/\tan {\mathrm{\θ}}_1-b};$

得出交点重心坐标P(X₁，Y₁)，如下：

$\left\{\begin{array}{c}{X}_1=(X_{I1}+X_{I2}+X_{I3}+X_{I4})/4\\ Y_1=(Y_{I1}+Y_{I2}+Y_{I3}+Y_{I4})/4\end{array}\right.;$

重心坐标P(X₁，Y₁)即全方位视觉传感器的在XOY平面(即茶园所在平面)中的坐标。

Images