La detección de áreas transitables es crucial para la navegación autónoma de robots agrícolas. Sin embargo, las carreteras agrícolas semiestructuradas generalmente no están marcadas con carriles y sus límites son ambiguos, lo que dificulta la segmentación precisa de las áreas transitables y, en consecuencia, paraliza a los robots. Este documento propone un modelo de red de aprendizaje profundo para lograr la segmentación de alta resolución de carreteras agrícolas mediante la utilización de representaciones contextuales para aumentar la probabilidad de objetos en la carretera. El esqueleto adopta HRNet para extraer características de carretera de alta resolución en paralelo a múltiples escalas. Para fortalecer la relación entre píxeles y regiones de objetos correspondientes, utilizamos representaciones contextuales de objetos (OCR) para aumentar las representaciones de características de los píxeles. Finalmente, se utiliza una cabeza de decisión de binarización diferenciable (DB) para realizar una segmentación adaptativa de umbral para los límites de la carretera. Para cuantificar el rendimiento de nuestro método, utilizamos un conjunto de datos de carreteras agrícolas semiestructuradas y realizamos experimentos. Los resultados experimentales muestran que alcanza el 97,85%, y logra el 90,88%. Tanto la precisión de la segmentación como la calidad de los límites superan a los métodos existentes, lo que muestra que las redes de segmentación adaptadas con representaciones contextuales son beneficiosas para mejorar la precisión de detección de las áreas transitables semiestructuradas en escenas agrícolas.