Detektionsbasierte Applikationen (DA) werden zunehmend in verschiedenen Bereichen der Landwirtschaft eingesetzt, um Unkräuter und Pilzkrankheiten zu bekämpfen. Dank Machine Learning wurde ein bedeutender Fortschritt bei der automatischen, einzelpflanzenspezifischen Unkrautregulierung erzielt. Aktuell sind in Biodiversitätsförderflächen (BFF) nur Einzelstock- oder Nester-Behandlungen mit spezifischen Herbiziden zugelassen. Die Frage stellt sich, ob die Erkennungsraten der DA mittlerweile präzise genug sind und zukünftig zur automatisierten Einzelstockbekämpfung von Blacken auf solchen Flächen zugelassen werden sollen. In diesem Versuch wurden 23 Versuchsflächen (extensiv genutzte Wiesen, BFF) untersucht, welche von drei Maschinentypen («Ecorobotix ARA», «Rumex», und «RumboJet») behandelt wurden. Die drei Maschinentypen waren unterschiedlich häufig vertreten und es ist schwierig spezifische Aussagen zu den einzelnen Leistungen zu machen. Unsere Untersuchungen zeigen insgesamt eine gute Trefferquote von mindestens 68% gegen die Wiesenblacke (Rumex obtusifolius). Einige geschädigte Nicht-Zielarten wurden unerwartet behandelt und wiesen im Vergleich zur Wiesenblacke sehr unterschiedliche Blattformen auf. Diese wurden entweder von der Bilderkennung fälschlicherweise mit der Wiesenblacke verwechselt, oder als Kollateralschaden im Spritzkegel neben Wiesenblacken oder anderen Nicht-Zielarten getroffen. Eine Liste von 14 Nicht-Zielarten mit wertvoller Bedeutung (Q2-Zeigerarten oder wertvolle Futterpflanzen) wurde bestimmt und deren Trefferquoten soll durch gezieltes Training des Machine Learning zukünftig reduziert werden. Die Datenlage ist momentan noch zu dünn, um definitive Empfehlungen zu geben. Daher wird ein Folgeprojekt beantragt, um weitere Erkenntnisse zu gewinnen und anschliessend Schwellenwerte für Trefferquoten von Nicht-Zielarten für die Zulassung solcher Maschinen auf BFF festlegen zu können.