Kürzlich veröffentlichte Forschungsarbeiten zur Anwendung von Fernerkundung und tiefen Lernverfahren zur Analyse in der präzisen Landwirtschaft haben ein großes Potenzial für eine verbesserte Erntemanagement-Praxis und eine Reduktion der Umweltauswirkungen der landwirtschaftlichen Produktion aufgezeigt. Trotz der vielversprechenden Ergebnisse erfordert die praktische Relevanz dieser Technologien für den Einsatz im Feld neue, maßgeschneiderte Algorithmen, die speziell für die Analyse landwirtschaftlicher Bilder optimiert sind und robust gegenüber der Anwendung auf natürliche Feldbilder sind. In diesem Beitrag wird ein Ansatz zur Analyse von Luftbildern einer Kartoffelkultur (Solanum tuberosum L.) mittels tiefer neuronalen Netze vorgestellt. Ziel ist es, die automatisierte räumliche Erkennung gesunder im Vergleich zu gestressten Pflanzen auf Pflanzen-Ebene zu demonstrieren. Insbesondere wird die vorzeitige Pflanzenalterung im Zusammenhang mit Dürrestress bei Russet-Burbank-Kartoffelpflanzen untersucht. Es wird ein neuartiges tiefes Lernmodell zur Erkennung von Pflanzenstress vorgestellt, das als Retina-UNet-Ag bezeichnet wird. Die vorgeschlagene Architektur ist eine Variante von Retina-UNet und beinhaltet Verbindungen von niedrigstufigen semantischen Repräsentationskarten zum Feature-Pyramid-Netzwerk. Zudem wird ein Datensatz von Luftbildern aus dem Feld vorgestellt, der mit einer Parrot Sequoia-Kamera erfasst wurde. Der Datensatz enthält manuell annotierte Bounding-Boxes für gesunde und gestresste Pflanzenbereiche. Die experimentelle Validierung zeigte die Fähigkeit, gesunde und gestresste Pflanzen in Feldbildern zu unterscheiden, wobei ein durchschnittlicher Dice-Score-Koeffizient (DSC) von 0,74 erreicht wurde. Ein Vergleich mit verwandten state-of-the-art-Deep-Learning-Modellen für Objekterkennung ergab, dass der vorgestellte Ansatz für diese Aufgabe effektiv ist. Die vorgeschlagene Methode trägt zur Beurteilung und Erkennung von Kartoffelkultur-Stress in Luftbildern bei, die unter natürlichen Bedingungen erfasst wurden.