Einsatz von KI-gestützter Computer Vision in Erntemaschinen des Mischkulturanbaus

Nachhaltiger wirtschaften, ohne Erträge und Effizienz zu verlieren – diese Doppelanforderung prägt die moderne Landwirtschaft. Der Mischkulturanbau, also der gemeinsame Anbau mehrerer Kulturarten, bietet dafür überzeugende Hebel: bessere Ressourcennutzung, stabilere Böden und mehr Biodiversität bei geringerem Dünge- und Pflanzenschutzmitteleinsatz. In der industriellen Praxis bleibt das Potenzial jedoch oft ungenutzt, weil die Ernte zum Engpass wird: Konventionelle Maschinen sind für Reinkulturen optimiert und geraten an Grenzen, sobald unterschiedliche Pflanzen gleichzeitig erkannt, getrennt, geerntet und verarbeitet werden müssen. Diese Dissertation adressiert genau diese Lücke. Sie zeigt, wie KI‑gestützte Computer Vision als Schlüsseltechnologie die industrielle Ernte von Mischkulturen ermöglichen kann, und stellt dafür ein praxisorientiertes Bewertungsinstrument für Landmaschinenhersteller, Agrarrobotik‑Teams und Softwareentwickler bereit. Im Zentrum steht eine systematische Technologiebewertung, die die Anforderungen künftiger Mischkultur‑Erntemaschinen transparent macht und Computer‑Vision‑Fähigkeiten gezielt daran spiegelt. Dazu werden zunächst industrielle Mischkultur‑Ernteanwendungsfälle typisiert und in drei Erntetypen überführt. Auf dieser Basis leitet die Arbeit Funktionsstrukturen für Erntemaschinen ab und bewertet sie mithilfe einer Wirkungsmatrix gegenüber vier funktionalen Fähigkeiten der KI‑gestützten Computer Vision. Die Analyse zeigt differenzierte Einsatzpotenziale: Während der Mehrwert bei reinkulturnahen Mischkulturernten begrenzt ist, kann Computer Vision bei segmentierten Polykulturen insbesondere durch optische Sortierung zur Kernfunktion werden. Das größte Potenzial liegt bei hochdiversen Mischkulturen – von präziser Umwelterfassung über autonome Entscheidungen bis zur Koordination kleiner, kooperierender Maschinen. Zwei industrielle Fallstudien belegen die Anwendbarkeit und den Nutzen im Produktentwicklungsprozess: Anforderungen schärfen, Funktionen priorisieren, Technologieoptionen vergleichen und Entwicklungsentscheidungen beschleunigen. Damit liefert die Arbeit einen belastbaren Rahmen, um Innovationen in der Erntetechnik für den Mischkulturanbau systematisch und effizient voranzutreiben.