En la agricultura de precisión, después de que las plantadoras de hortalizas trasplantan las plántulas, es necesario gestionar el campo durante la etapa de plántula para optimizar el rendimiento de las hortalizas. Identificar y extraer con precisión las líneas centrales de las hileras de cultivos durante la etapa de plántula es crucial para lograr la navegación autónoma de los robots. Sin embargo, las crestas trasplantadas a menudo presentan hileras de plántulas faltantes. Además, debido a los recursos computacionales limitados de los robots agrícolas de campo, se requiere un algoritmo de ajuste de línea de navegación más ligero. Para abordar estos problemas, este estudio se centra en crestas de altura media a alta plantadas con hortalizas de doble hilera y desarrolla un modelo de extracción de línea de navegación basado en bandas de plántulas, una Red Neuronal Convolucional de Navegación de Plántulas (SN-CNN). En primer lugar, propusimos el módulo C2f_UIB, que reduce de manera efectiva los cálculos redundantes mediante la integración de tecnologías de Búsqueda de Arquitectura de Red (NAS), mejorando así la eficiencia del modelo. Además, el modelo incorpora el Mecanismo de Atención Simplificado (SimAM) en la sección del cuello, mejorando el enfoque en las muestras difíciles de reconocer. Los resultados experimentales demuestran que el modelo SN-CNN propuesto supera a YOLOv5s, YOLOv7-tiny, YOLOv8n y YOLOv8s en términos de los parámetros y la precisión del modelo. El modelo SN-CNN tiene un conteo de parámetros de solo 2.37 M y logra una precisión del 94.6%. En comparación con el modelo base, el conteo de parámetros se reduce en un 28.4% y la precisión se mejora en un 2%. Finalmente, para su implementación práctica, el algoritmo SN-CNN se implementó en el NVIDIA Jetson AGX Xavier, una plataforma informática integrada, para evaluar su rendimiento en tiempo real en el ajuste de líneas de navegación. Comparamos dos métodos de ajuste: Consenso de Muestras Aleatorias (RANSAC) y mínimos cuadrados (LS), utilizando 100 imágenes (50 imágenes de prueba y 50 imágenes recolectadas en campo) para evaluar la precisión y la velocidad de procesamiento. El método RANSAC logró un error cuadrático medio (RMSE) de 5.7 píxeles y un tiempo de procesamiento de 25 milisegundos por imagen, demostrando una precisión de ajuste superior, cumpliendo así con los requisitos en tiempo real para la detección de líneas de navegación. Este rendimiento destaca el potencial del modelo SN-CNN como una solución efectiva para la navegación autónoma en robots de campo para caminar por crestas cruzadas.