KI durchdringt Blätter zur Optimierung des Gartenbaus

Ein Forschungsteam der University of Canterbury hat eine bahnbrechende KI-gestützte Technologie vorgestellt, die es ermöglicht, Früchte hinter dichtem Blattwerk zu identifizieren und präzise zu vermessen. Das unter der Leitung von Computerwissenschaftsprofessor Richard Green arbeitende UC Vision-Team hat computergestützte Bildverarbeitung und künstliche Intelligenz kombiniert, um lückenlose 3D-Modelle einzelner Pflanzen zu erstellen. Diese Modelle rekonstruieren auch Bereiche, die durch Laub verdeckt sind, und bilden die Grundlage für die Automatisierung wiederkehrender manuellen Aufgaben im Gartenbau. Die mobilen Erfassungssysteme bestehen aus mehreren Kamerareihen, die entlang von Reihen in Reb- und Obstanlagen geführt werden. Während die Weinbausysteme speziell auf dichte Rebenkanopies ausgelegt sind, erfasst eine größere Plattform Bäume bis zu einer Höhe von etwa 3,5 Metern. Durch diese präzise Datenerfassung können KI-Algorithmen einzelne Früchte wie Äpfel, Kirschen oder Trauben eindeutig zuordnen, ihre Position an den Trieben bestimmen sowie Größe, Volumen und Oberfläche berechnen. Wiederholte Scans ermöglichen zudem die lückenlose Verfolgung des Fruchtwachstums über die Saison. Im praktischen Einsatz übertrifft die Technologie die manuelle Ernteschätzung deutlich. Während landwirtschaftliche Betriebe bisher auf Stichproben angewiesen sind, die Abweichungen von bis zu 23 Prozent aufweisen, liegt die Trefferquote des neuen Systems bei nur zwei bis drei Prozent. Diese Genauigkeit ermöglicht eine wesentlich zuverlässigere Planung von Arbeitskräften, Verpackungen und Lagerkapazitäten. Für große Erzeuger bedeutet die verbesserte Prognose potenziell Millionen an eingesparten Kosten sowie eine signifikante Reduktion von Lebensmittelverschwendung. Langfristig soll die Technologie autonome Roboter steuern, die gezielte Pflanzenschutzmaßnahmen, Blattentfernung, Schädlingsbekämpfung und selektive Ernten durchführen. Ein exemplarisches Einsatzszenario sind Kirschplantagen, in denen Maschinen Früchte erst dann ernten, wenn sie die höchstwertige Größe erreicht haben, und später für den Rest der Ernte zurückkehren. Da selbst kleine Größenunterschiede den Marktwert verdoppeln können, steigert eine selektive Ernte sowohl die Erträge als auch die Ressourceneffizienz. Die Entwicklung baut auf etwa fünfzehn Jahren Forschung an der University of Canterbury auf und wurde durch über 32 Millionen Dollar staatlicher Förderung für KI, Computer Vision und landwirtschaftliche Robotik unterstützt. Ein multidisziplinäres Team aus KI-Experten, Mechatronikern und Softwareentwicklern hat die Algorithmen und mobilen Systeme zu marktreifem Standard weiterentwickelt. Die Validierung erfolgte bereits auf zwanzig kommerziellen Farmen unter realen Feldbedingungen. Um die kommerzielle Markteinführung zu beschleunigen, wird das Projekt durch das Startup HoloCrop weitergeführt. Das Unternehmen fokussiert sich auf die Entwicklung präziser Hortikultur-Tools, die nicht nur die Datengenauigkeit erhöhen, sondern die Grundlage für zukünftige autonome Feldroboter legen sollen. Das UC Vision-Team arbeitet derzeit an der finalen Stabilisierung der Systeme, um eine flächendeckende Nutzung durch die internationale Fruchtproduktionsbranche zu ermöglichen. Die durch die Technologie ermöglichte Transformation von der manuellen Stichprobe zur datengesteuerten, maschinellen Bewirtschaftung hat das Potenzial, die globale Lebensmittelproduktion nachhaltig zu optimieren.