Erkennung von Pflanzenkrankheiten & Pflanzengesundheit

Ernteverluste durch Pilz-, Bakterien- und Viruserkrankungen, Schädlinge und Nährstoffmangel werden oft spät bemerkt, und Felder werden nur auf einem Bruchteil ihrer Fläche zu Fuß kontrolliert. Bildmodelle auf Smartphones, Maschinen, Drohnen und Satelliten erkennen Symptome früh, lokalisieren sie im Feld und steuern eine gezielte, dokumentierte Behandlung, die den unnötigen Einsatz von Pflanzenschutzmitteln verringern kann.

Problem & Nutzen

• Heute: Landwirte, Gärtner und Berater kontrollieren nach Augenschein, verlassen sich auf Kalenderspritzungen oder Krankheitswarnmodelle und schicken Proben ins Labor. Symptome werden leicht verwechselt (Pilzbefall, Nährstoffmangel oder Herbizidschaden), und die Kontrollkapazität ist bei großen oder zersplitterten Betrieben der Engpass.
• KI-Nutzen: frühere Erkennung, Entscheidungen pro Zone statt für das ganze Feld, einheitliche Dokumentation, Beratung auf dem Smartphone auch für Kleinbetriebe. Die EU-Strategie „Vom Hof auf den Tisch“ (Farm to Fork) und die vorgeschlagene Verordnung über die nachhaltige Verwendung von Pflanzenschutzmitteln zielen auf einen geringeren Pestizideinsatz; das macht die gezielte Ausbringung zu einem politischen Treiber [1][2].
• Hinweis zur Evidenz: Veröffentlichte Genauigkeiten im Labor (oft >95 % auf kuratierten Datensätzen wie PlantVillage) lassen sich nicht auf Feldbedingungen übertragen; die Genauigkeit im Feld ist deutlich niedriger und hängt von Kultur, Stadium und Licht ab [3]. Behandeln Sie Einsparversprechen von Anbietern als unbestätigt, bis Sie sie auf Ihren eigenen Feldern getestet haben.

Varianten

• Smartphone-Diagnose für Landwirte, Gärtner und Berater (Blattfoto → mögliche Krankheiten).
• Gewächshaus / Vertical Farm mit fest installierten Kameras und kontrollierter Beleuchtung (höchste Genauigkeit).
• Traktor- bzw. Feldspritzen-montierte Kameraerkennung von Unkraut und Krankheitsherden für die Teilflächenspritzung während der Fahrt.
• Drohnenkontrolle mit RGB- oder Multispektralkameras; Weinberge, Obstanlagen, Kartoffeln, Getreide.
• Satellitenüberwachung (Sentinel-2) für Stressindizes auf Feldebene bei grober Auflösung.
• Saatgut- und Züchtungs-Phänotypisierung auf Versuchsflächen (siehe SCI-008).
• Hobbygärtner / Privat: Apps zur Pflanzenbestimmung und Diagnose.

So funktioniert es

1. Bildaufnahme (Smartphone / Maschine / Drohne / Satellit, mit GPS + Zeitstempel)
2. Vorverarbeitung (Kachelung, radiometrische Korrektur, Orthomosaik bei Drohnen)
3. Modellinferenz (Klassifikation | Detektion | Segmentierung | VLM)
4. Georeferenzierung + Aggregation auf Zonen, Wachstumsstadium und Wetterkontext
5. Entscheidungslogik (Schwellenwerte, Krankheitsrisikomodelle, wirtschaftliche Schadschwelle)
6. Empfehlung / Spritzkarte / Alarm
7. Prüfung durch Agrarberatung
8. Ausbringung und Dokumentation
9. Feedback-Labels

• Klassifikation: CNN- und ViT-Modelle (Backbones wie EfficientNet, ConvNeXt, DINOv2) ordnen einem Blattfoto eine Krankheitsklasse zu.
• Erkennung / Segmentierung: Detektoren der YOLO-Klasse und Segmentierer vom SAM-Typ lokalisieren Läsionen, Unkraut und Früchte auf unübersichtlichen Feldbildern; das ist für die Teilflächenspritzung nötig.
• VLMs liefern erklärende Antworten und bewältigen seltene Klassen per Zero- oder Few-Shot, sind bei feinen Symptomen aber weniger zuverlässig als trainierte Spezialmodelle.
• Multispektrale Indizes (NDVI, NDRE) zeigen Stress, bevor er sichtbar ist, nennen aber nicht die Ursache.
• Mensch-in-der-Schleife (Human-in-the-Loop): Fälle mit niedriger Konfidenz gehen an einen Berater; jede Entscheidung über Pflanzenschutzmittel bleibt bei der sachkundigen anwendenden Person; bei meldepflichtigen Quarantäneschädlingen ist eine Laborbestätigung nötig.

Datenaufbereitung

Daten: gelabelte Fotos von Blättern, Früchten und Stängeln, Drohnen- und Satellitenbilder (Sentinel-2), Feldgrenzen, Kulturart, Wachstumsstadium und Wetterdaten. In einem typischen Betrieb liegen diese auf Smartphones, Drohnen-SD-Karten, in einem Farm-Management-System (FMS), in Tabellen und in Spritzprotokollen auf Papier.

Typische Lücken: Fotos ohne Label oder Standort, unterschiedliche Kameras und Lichtverhältnisse, Feldgrenzen, die nicht zum Flächenverzeichnis passen, handschriftliche Pflanzenschutz-Aufzeichnungen, zu wenige Bilder seltener Krankheiten und wechselnde Jahre (ein in einem trockenen Jahr trainiertes Modell versagt in einem nassen).

Schritte zur Aufbereitung: 1. Quellen erfassen und sich auf ein gemeinsames Feld- und Flächenverzeichnis einigen (PREP-001, PREP-005). 2. FMS- und Wetterdaten per API oder CSV exportieren und in einer Tabelle bereinigen (PREP-011). 3. Vor dem Labeln ein kleines Klassenschema festlegen (Krankheit, Schädling, Mangel, gesund) (PREP-019). 4. Bilder gemeinsam mit einer Agrarberaterin oder einem Agrarberater sammeln und labeln, etwa mit Label Studio oder CVAT, und einen getrennten Testsatz behalten (PREP-018). 5. Papier-Spritzprotokolle direkt an der Quelle digitalisieren (PREP-008).

Aufwand: Bei Weg A etwa 10-20 % des Projekts (Feldgrenzen, Einrichtung); bei B/C oder D 40-60 %, überwiegend durch das Labeln. Eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (Landwirtschaftsbetriebe, Gartenbau): A, weil ausgereifte Apps zur Feldkontrolle und Feldüberwachungsplattformen mit EU-Hosting zu Preisen für Betriebe verfügbar sind und der Prozess standardisiert ist.
• Großunternehmen (große Agrargruppen, Lieferbasen des Lebensmittelhandels): B, weil die Feldkontrolle in die eigenen Betriebsdaten eingebunden werden sollte und bei vielen Feldern eine Preisgestaltung pro Nutzerplatz teuer wird.
• Entwickler: C, weil offene Datensätze und Open-Source-Bildmodelle auf HW1 laufen und volle Kontrolle über Klassen und Edge-Einsatz bieten.
• Privat (Gärtner): A, weil kostenlose oder günstige Apps zur Pflanzenbestimmung den Bedarf ohne Einrichtung abdecken.

Weg A — Kaufen (Standardsoftware) (für die meisten Betriebe empfohlen)

• Plattformen für Betriebsführung und Feldkontrolle: xarvio (BASF Digital Farming, Deutschland/EU), Climate FieldView, 365FarmNet (EU), Farmonaut, Taranis, CropX, Agremo; Drohnen-Dienstleister mit Analytik.
• Smartphone-Apps: Plantix (PEAT, Deutschland/EU), Pl@ntNet (INRIA/CIRAD, Frankreich/EU, Bestimmung), FAO-nahes PlantVillage Nuru (Offline-Diagnose für Maniok, Mais, Kartoffel).
• Maschinelles Sehen: Bosch/BASF Smart Spraying, John Deere See & Spray, Roboter im Stil von Bonirob, Carbon Robotics und Ecorobotix (Schweiz) für Unkraut.
• Wählen Sie A, wenn: gängige Kulturen, vorhandene Maschinenmarken, kein ML-Team.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Sentinel-2 / Copernicus-Daten über das Copernicus Data Space Ecosystem und Sentinel Hub (Sinergise, EU) sowie openEO für Zeitreihen [4].
• Cloud-Bildverarbeitung: Azure AI Custom Vision / Custom Models im Stil von Document Intelligence, Google Vertex AI (EU-Regionen), AWS SageMaker (Frankfurt); multimodale Spitzenmodell-APIs (Claude, Gemini, GPT, Mistral) für erklärende Diagnosen mit Retrieval über Texte der Beratungsdienste.
• Orchestrierung: n8n / eigener Dienst mit PostGIS oder GeoServer, ISOBUS/ISOXML-Export für Maschinenterminals.
• Wählen Sie B, wenn: Sie eine bestimmte Kultur und eigene Bilder haben und die Anbindung an ein Betriebssystem brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Ultralytics YOLO (AGPL, Lizenz prüfen), RT-DETR, Segment Anything, DINOv2, Prithvi-EO und andere Foundation-Modelle der Erdbeobachtung (IBM/NASA), mit PlantNet-300K trainierte Modelle; offene VLMs (Qwen-VL) für Erklärungen.
• Stack: PyTorch, ONNX Runtime / TensorRT, CVAT oder Label Studio zur Annotation, QGIS / rasterio / TorchGeo.
• Edge: Jetson Orin Nano/NX auf Feldspritzen oder Drohnen (HW1); Training auf einer GPU mit 16-24 GB (HW2).

Weg D — Eigenes Training

Lohnt sich oft: Öffentliche Datensätze bestehen aus kuratierten Laborbildern und lassen sich schlecht verallgemeinern. Sammeln Sie Feldbilder über Jahreszeiten, Sorten, Kameras und Lichtverhältnisse hinweg; üblich sind hunderte bis tausende von Fachleuten gelabelte Bilder pro Klasse. Nutzen Sie Active Learning, Domänenanpassung und zurückgehaltene Testfelder (keine zufälligen Aufteilungen desselben Feldes) [3].

Stand der Technik (2026)

• Foundation-Modelle (DINOv2/DINOv3, SAM, Foundation-Modelle der Erdbeobachtung) machen die Anpassung mit wenigen Beispielen realistisch und senken den Labeling-Bedarf.
• Echtzeit-Erkennung von Unkraut und Kulturpflanzen für die Teilflächenspritzung ist marktreif; die Krankheitserkennung auf fahrenden Maschinen ist weniger ausgereift.
• Hyperspektrale und multispektrale Sensorik erkennt Stress vor sichtbaren Symptomen in der Forschung und in frühen Produkten.
• VLM-Assistenten beantworten Fragen von Landwirten anhand von Fotos, doch Halluzinationen und übermäßig selbstsichere Diagnosen sind ein bekanntes Risiko.
• Grenzen und Fehlerbilder: Domänenwechsel (neue Sorte, Beleuchtung, Kamera, Region), unruhiger Hintergrund, überlappende oder gleichzeitig auftretende Stressfaktoren, frühe symptomfreie Infektion, unausgewogene Klassen, kleine Trainingsfelder und ähnlich aussehende Symptome (Nährstoffmangel vs. Krankheit). Genauigkeitswerte aus Daten im PlantVillage-Stil überschätzen die Leistung im Feld [3].

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Objekterkennung + Segmentierung + Fernerkundung): VIS-021 Satelliten-/Luftbildanalyse, VIS-003 Drohneninspektion, VIS-026 Zählen und Vermessen, VIS-032 Artenbestimmung, VIS-006 Qualitätsklassifizierung von Erzeugnissen.
• Nachgelagert: OPT-014 Präzisionsbewässerung und -düngung, PRED-013 Ertragsprognose, ROBO-007 Roboter für Unkrautbekämpfung und Ernte.
• Gemeinsame Hardware: Edge-Geräte der Jetson-Klasse (HW1) bedienen auch VIS-001, VIS-014; GPU-Server für das Training (HW2).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für die Einrichtung; Abonnement pro Hektar oder pro App-Lizenz.
• Weg B: 2-4 Monate für einen Piloten mit einer Kultur samt Erhebung von Felddaten.
• Weg C/D: 4-9 Monate; für die Validierung wird mindestens eine volle Saison an Daten benötigt. Drohnen- und Sensorhardware, Labeling durch Agrarfachleute und die Saisonalität (Daten nur einmal im Jahr verfügbar) treiben die Kosten.
• Kennzahlen: Precision/Recall je Klasse in Feldtests, Vorlaufzeit der Früherkennung gegenüber der Feldkontrolle, kontrollierte Fläche pro Stunde, Einsatz von Pflanzenschutzmitteln pro Hektar, vermiedener Ertragsverlust, Falschalarmrate, Korrekturquote der Berater.

Menschen & Veränderung

Früh einbinden: die Inhaberin bzw. den Inhaber oder die Geschäftsführung (Budget, Risikobereitschaft), die Betriebs- oder Kulturleitung als Prozessverantwortliche, die Feldmitarbeitenden, die die Fotos aufnehmen, die IT oder den Landmaschinenhändler für die Anbindung sowie die Berater oder Agrarfachleute, die die Ergebnisse validieren. Die Dateneigner der FMS- und Drohnendaten sollten sich auf Regeln für Export und Weitergabe einigen.

Betriebsrat: meist nicht relevant, da kleine Betriebe selten einen haben und das System Pflanzen beobachtet, nicht Menschen. Gibt es einen Betriebsrat und erfassen Traktorkameras oder Smartphone-Apps Standorte oder Arbeitszeiten von Beschäftigten, gilt § 87 Abs. 1 Nr. 6 BetrVG, da bereits die objektive Eignung zur Überwachung genügt; dann ist er zusätzlich nach § 90 Abs. 1 Nr. 3 einzubinden (siehe GUIDE-004).

Datenschutz: überwiegend nicht personenbezogene Daten. Drohnenflüge über Nachbargrundstücken, Personen auf Bildern und GPS-Spuren von Beschäftigten können personenbezogen sein; beziehen Sie die/den Datenschutzbeauftragte(n) ein, schließen Sie mit der Plattform einen AVV (Art. 28 DSGVO) und prüfen Sie, ob eine DSFA nötig ist (GUIDE-005).

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit einer kurzen praktischen Schulung dazu, was das Modell erkennen kann und was nicht, zu Konfidenzwerten und zu Fehlalarmen (GUIDE-006).

Kommunikation und Pilot: Beginnen Sie mit einer Kultur und wenigen Feldern, die von aufgeschlossenen Feldmitarbeitenden betreut werden, und vergleichen Sie die KI-Befunde eine Saison lang mit der manuellen Feldkontrolle (GUIDE-009).

Typische Bedenken: „Die App ersetzt meine Erfahrung“ (sie berät, die Landwirtin oder der Landwirt entscheidet über jede Behandlung) und „falsche Spritzempfehlung“ (Freigabe durch Agrarberatung; das Pflanzenschutzrecht bleibt in der Verantwortung des Landwirts). Behalten Sie den Menschen in der Kontrolle: keine automatische Ansteuerung der Spritze ohne Bestätigung.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko (Art. 4 KI-Kompetenz gilt). Nicht in Anhang III. Wird das System als Sicherheits- komponente einer autonomen Maschine integriert, gelten die Maschinenvorschriften (Verordnung (EU) 2023/1230) [5]. Kameras zur Überwachung von Beschäftigten wären eine eigene Frage.
• DSGVO: überwiegend nicht personenbezogene Daten, doch Betriebsdaten und Feldgrenzen lassen sich mit identifizierbaren Landwirten verknüpfen; Drohnen können Personen oder Nachbarn erfassen. Wenden Sie den EU-Verhaltenskodex zum Austausch landwirtschaftlicher Daten und den EU Data Act (Zugangsrechte zu Daten vernetzter Maschinen) an [6].
• Pflanzenschutzrecht: Richtlinie 2009/128/EG (nachhaltige Verwendung) und Verordnung (EG) 1107/2009; die Ausbringung aus der Luft ist grundsätzlich verboten, mit engen Ausnahmen. KI-Empfehlungen ersetzen nicht die Verantwortung der sachkundigen anwendenden Person. Quarantäneschädlinge (Verordnung (EU) 2016/2031) erfordern eine amtliche Meldung und Laborbestätigung.
• Drohnen: EU-Drohnenregeln (Verordnung (EU) 2019/947) zu Betreiberregistrierung und Kategorien.
• Risiken und Gegenmaßnahmen: Eine falsche Diagnose führt zu Über- oder Unterbehandlung; daher einen Berater in der Schleife halten, die Konfidenz anzeigen, Bilder und Empfehlungen protokollieren und je Region und Sorte validieren.

Erste Schritte

1. Legen Sie die Kultur, die 3-5 wirtschaftlich relevanten Krankheiten oder Stressfaktoren und die Entscheidung fest, die sie auslösen (spritzen, kontrollieren, Probe nehmen).
2. Testen Sie eine App oder Plattform von Weg A eine Saison lang auf einigen Feldern und vergleichen Sie sie mit der Kontrolle durch die Agrarberatung.
3. Sammeln und labeln Sie eigene Bilder (unterschiedliche Beleuchtung, Stadien, Geräte); speichern Sie GPS und Wachstumsstadium.
4. Testen Sie auf zurückgehaltenen Feldern; berichten Sie Precision/Recall je Klasse statt der Gesamtgenauigkeit.
5. Binden Sie die Ergebnisse an Betriebsaufzeichnungen und den Export von Spritzkarten an; legen Sie den Prüfschritt durch die Beratung fest.

Quellen

1. European Commission, Farm to Fork Strategy: https://food.ec.europa.eu/horizontal-topics/farm-fork-strategy_en
2. European Commission, Sustainable use of pesticides: https://food.ec.europa.eu/plants/pesticides/sustainable-use-pesticides_en
3. Mohanty, Hughes, Salathe, Using Deep Learning for Image-Based Plant Disease Detection (Frontiers in Plant Science, 2016): https://www.frontiersin.org/articles/10.3389/fpls.2016.01419/full
4. Copernicus Data Space Ecosystem: https://dataspace.copernicus.eu/
5. Regulation (EU) 2023/1230 (Machinery Regulation): https://eur-lex.europa.eu/eli/reg/2023/1230/oj
6. EU Code of Conduct on agricultural data sharing by contractual agreement: https://copa-cogeca.eu/publications
7. Regulation (EU) 2024/1689 (AI Act): https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Pl@ntNet: https://plantnet.org/en/