Angespornt durch das Potenzial einer Reduzierung der erforderlichen manuellen Aufwände in der Obstindustrie unternimmt dieser Artikel einen Versuch zur Automatisierung der Reifeerkennung von Obst. Wir untersuchen das Problem aus agrarischer, markt- und automatisierungstechnischer Perspektive, die jeweils an unterschiedlichen Punkten der Lieferkette betrachtet werden. Da verschiedene Reifezustände unterschiedliche visuelle Merkmale aufweisen, kann hier sicherlich eine Bildklassifikationstechnologie unterstützen. Um Obst-Bildklassifizierer zu entwickeln, sind eine Merkmalsextraktionsmethode und ein Lernalgorithmus erforderlich. Wir nutzen verschiedene vortrainierte neuronale Netze zur effektiven Merkmalsextraktion und setzen verschiedene maschinelle Lernalgorithmen ein, wobei wir gleichzeitig eine Bias/Varianz-Analyse der gelernten Modelle durchführen. Diese Analyse ermöglicht uns, die besten Modelle jeweils für die betrachteten Perspektiven auszuwählen. Wir erreichen Genauigkeiten von 96 %, 94 % und 86 % auf unserem neu entwickelten Datensatz namens RipeRaw aus agrarischer, markt- und automatisierungstechnischer Perspektive.