Potato (Solanum tuberosum) stem density variation in the field can be used to inform harvest timing to improve tuber size distribution. Current methods for quantifying stem density are manual with low throughput. This study examined the use of Unmanned Aerial Vehicle imagery as a high-throughput alternative. A colour-based feature extraction technique and a deep convolutional neural network (CNN) were compared for their effectiveness in enumerating apical meristems as a proxy to subtending stems. Two novel colour indices, named the cumulative blue differences index and blue difference normalized index, showed significant differences (P < 0.001) between meristematic leaves and mature leaves in comparison to other indices. The two indices were used to generate 500 pseudo-labelled human-corrected images as training data for the CNN. Benchmarked against a human labelled test dataset, the CNN performed better with a normalized Root Mean Square Error (nRMSE) of 0.09 than the sole use of the image analysis algorithm (nRMSE = 0.3) in predicting the number of meristems in a canopy at 52 days after planting. Furthermore, the CNN had better precision (Intersection over Union [IOU]: 0.49 and 0.56, respectively) than the image analysis algorithm (IOU: 0.33 and 0.13, respectively). Meristem counts in both approaches showed a linear relationship with actual subtending stem counts (P < 0.001). This study demonstrates the validity of using traditional image analysis and CNNs to generate meristem detectors with acceptable nRMSE. Transfer learning with CNN is proposed for developing meristem detectors for evaluating stem density variation from UAV images in the field.

马铃薯（Solanum tuberosum) 田间茎密度变化可用于通知收获时间，以改善块茎大小分布。当前用于量化茎密度的方法是手动的，吞吐量较低。这项研究检查了无人机图像作为高吞吐量替代方案的使用。比较了基于颜色的特征提取技术和深度卷积神经网络 (CNN) 在枚举顶端分生组织作为对向茎代理的有效性。两个新的颜色指数，称为累积蓝差异指数和蓝差异归一化指数，与其他指数相比，分生叶和成熟叶之间显示出显着差异（P < 0.001）。这两个索引用于生成 500 个伪标记的人工校正图像作为 CNN 的训练数据。针对人工标记的测试数据集进行基准测试，CNN 在预测 52 天时树冠中分生组织数量方面的表现优于仅使用图像分析算法 (nRMSE = 0.3) 的归一化均方根误差 (nRMSE) 为 0.09种植后。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。与仅使用图像分析算法 (nRMSE = 0.3) 相比，在预测种植后 52 天树冠中的分生组织数量时，CNN 在归一化均方根误差 (nRMSE) 为 0.09 的情况下表现更好。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。与仅使用图像分析算法 (nRMSE = 0.3) 相比，CNN 在预测种植 52 天后冠层中的分生组织数量方面表现更好，归一化均方根误差 (nRMSE) 为 0.09。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。09 而不是仅使用图像分析算法 (nRMSE = 0.3) 来预测种植后 52 天树冠中的分生组织数量。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。09 而不是仅使用图像分析算法 (nRMSE = 0.3) 来预测种植后 52 天树冠中的分生组织数量。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。此外，CNN 的精度（Intersection over Union [IOU]：分别为 0.49 和 0.56）比图像分析算法（IOU：分别为 0.33 和 0.13）更好。两种方法中的分生组织计数均与实际对向茎计数呈线性关系（P < 0.001）。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。这项研究证明了使用传统图像分析和 CNN 生成具有可接受 nRMSE 的分生组织检测器的有效性。提出了使用 CNN 进行迁移学习来开发分生组织检测器，以评估现场无人机图像的茎密度变化。