La segmentación y extracción de filas de cultivos de colza son pasos cruciales en la extracción de líneas de navegación visual. Los robots agrícolas autónomos enfrentan desafíos en el reconocimiento de rutas en entornos de campo debido a factores como fondos de cultivos complejos e intensidades de luz variables, lo que resulta en una mala segmentación y una detección lenta de líneas de navegación en cultivos de colza. Por lo tanto, este artículo propone VC-UNet, un modelo ligero de segmentación semántica que mejora el modelo U-Net. Específicamente, VGG16 reemplaza la red de extracción de características original de U-Net, y el Módulo de Atención de Bloque Convolucional (CBAM) se integra en la etapa de muestreo ascendente para mejorar el enfoque en los objetivos de segmentación. Además, se emplea la poda de canales de capas de convolución de red para optimizar y acelerar el modelo. Las regiones de interés trapezoidales de las filas de cultivos se delinean utilizando métodos de proyección vertical de extremo a extremo con umbrales de región serializados. Luego, la línea central de las filas de cultivos de colza se ajusta utilizando el método de mínimos cuadrados. Los resultados experimentales demuestran una precisión promedio del 94.11% para el modelo y una velocidad de procesamiento de imágenes de 24.47 fps/s. Después del aprendizaje por transferencia para filas de cultivos de soja y maíz, la precisión promedio alcanza el 91.57%, lo que indica una fuerte robustez del modelo. El desvío promedio del ángulo de guiñada de la extracción de líneas de navegación es de 3.76 grados, con un desplazamiento promedio de píxeles de 6.13 píxeles. El tiempo de transmisión de una sola imagen es de 0.009 s, asegurando la detección en tiempo real de las líneas de navegación. Este estudio proporciona soporte técnico de nivel superior para la implementación de robots agrícolas en pruebas de campo.