Die Vorhersage der Fruchtreife (FRP) ist eine klassifizierungsorientierte Aufgabe im Bereich der landwirtschaftlichen Computer Vision, die aufgrund ihrer vielfältigen Vorteile sowohl für die Vor- als auch die Nachernte-Managementpraxis in der Landwirtschaft erhebliche Aufmerksamkeit erlangt hat. Genau und zeitnah kann die FRP mithilfe von maschinellen/ deep learning-basierten Klassifizierungstechniken für hyperspektrale Bilder erreicht werden. Dennoch können Herausforderungen wie die begrenzte Verfügbarkeit annotierter Daten sowie der Mangel an robusten, generalisierbaren Methoden, die für verschiedene hyperspektrale Kameras und Fruchtarten geeignet sind, die Wirksamkeit der auf hyperspektralen Bildern basierenden FRP beeinträchtigen. Um diese Probleme anzugehen, stellt dieser Artikel Fruit-HSNet vor – eine maschinelle Lernarchitektur, die speziell für die Klassifizierung der Fruchtreife auf Basis hyperspektraler Bilder konzipiert wurde. Fruit-HSNet integriert ein Modul zur Extraktion von raum-spektralen Merkmalen, das auf der Fourier-Transformation und dem spektralen Signaturen des zentralen Pixels basiert, gefolgt von lernbaren Merkmalsfusionen und einem für die Reifeklassifizierung optimierten Klassifikator. Die vorgeschlagene Architektur wurde anhand des DeepHS Fruit-Datensatzes evaluiert, des größten öffentlich verfügbaren annotierten Echtwelt-Datensatzes mit hyperspektralen Bildern zur Vorhersage der Fruchtreife. Der Datensatz umfasst fünf verschiedene Fruchtarten – Avocado, Kiwi, Mango, Kaki und Papaya –, die mit drei unterschiedlichen hyperspektralen Kameras in verschiedenen Reifestadien erfasst wurden. Die experimentellen Ergebnisse zeigen, dass Fruit-HSNet bestehende Deep-Learning-Methoden – von Baseline- bis hin zu State-of-the-Art-Modellen – erheblich übertrifft, wobei eine Verbesserung um 12 % erzielt wurde und eine neue State-of-the-Art-Gesamtgenauigkeit von 70,73 % erreicht wurde.