Open Access

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. (Quelle: https://www.apprimus-verlag.de/einsatz-von-ki-gestutzter-computer-vision-in-erntemaschinen-des-mischkulturanbaus.html)

In einer Welt, die sich durch eine beispiellose Dynamik in Technologie und Wirtschaft auszeichnet, steht die produzierende Industrie vor der Herausforderung, die Potenziale der Digitalisierung voll auszuschöpfen. Der Einsatz von automatisiertem maschinellen Lernen (Auto-ML) bietet einen vielversprechenden Ansatz, die Schlüsseltechnologie Künstlicher Intelligenz (KI) gewinnbringend einzusetzen. Trotz der hohen Erwartungen und des potenziellen wirtschaftlichen Wachstums, das KI-Technologien versprechen, zeigen aktuelle Studien, dass der Einsatz von KI in der Produktion hinter anderen Technologien zurückbleibt. Die Diskrepanz zwischen den Erwartungen an KI und deren tatsächlicher Nutzung in der Fertigung weist auf komplexe Herausforderungen hin, darunter hohe Kosten, ungeeignete IT-Infrastruktur, mangelnde Datenverfügbarkeit und ein Defizit an Fachkräften. Diese Dissertation zielt darauf ab, eine methodische Lösung für die Auswahl von Auto-ML-Softwarelösungen für Prognosen in produzierenden Unternehmen zu entwickeln. Die Arbeit umfasst eine Analyse existierender Auto-ML-Funktionen, eine praxisnahe Identifikation der Anforderungen an ihren Einsatz in der Industrie sowie die Entwicklung eines Prozesses zur systematischen Auswahl von Auto-ML-Softwarelösungen. Dafür werden zudem die Wechselwirkungen zwischen den technischen Möglichkeiten der Softwarelösungen und den spezifischen Bedürfnissen der produzierenden Unternehmen beleuchtet. Das Ergebnis dieser Dissertation stellt eine Ressource für Entscheidungsträger dar, die sich der Herausforderung gegenübersehen, aus einer Vielzahl von Auto-ML-Softwarelösungen die am besten geeignete auszuwählen. Durch die Bereitstellung eines klar definierten Prozesses zur Bewertung und Auswahl von Auto-ML-Softwarelösungen trägt diese Arbeit dazu bei, die Lücke zwischen der technologischen Entwicklung und ihrer praktischen Anwendung in der Fertigungsindustrie zu schließen. In einer Zeit, in der die effiziente Nutzung von Daten und KI-Technologien immer mehr zum entscheidenden Wettbewerbsfaktor wird, leistet diese Dissertation einen Beitrag zur Stärkung der Innovationskraft und Zukunftsfähigkeit produzierender Unternehmen.