La extracción de líneas de navegación juega un papel crucial en la navegación autónoma de robots agrícolas. Este trabajo ofrece un método de extracción de rutas de navegación de crestas, basado en aprendizaje profundo, para abordar los problemas de rendimiento en tiempo real y la interferencia de luz en el reconocimiento de rutas de navegación en un entorno de campo. Esta técnica se basa en el modelo Res2net50 e incorpora el mecanismo de atención de Redes Squeeze-and-Excitation (SE) para centrarse en los aspectos clave de la imagen. Se presenta el módulo de agrupación de pirámide de espacio vacío para extraer datos semánticos de alto nivel y mejorar la capacidad de la red para representaciones detalladas. Se utiliza una conexión de salto para combinar las características semánticas de alto nivel y las características texturales de bajo nivel que se extraen. Los resultados de la predicción de crestas se obtienen, seguidos de la realización de la segmentación final de la imagen, a través del muestreo. Por último, la línea de navegación se ajusta una vez que se han recuperado los puntos de características de navegación utilizando la máscara de segmentación de crestas resultante. Los resultados del experimento revelan que: los valores de la Intersección Media sobre Unión (MIOU) y la F-measure del enfoque de extracción de ruta de navegación entre crestas sugerido en este documento aumentan en 0.157 y 0.061, respectivamente, en comparación con la red Res2net50. Bajo diversas situaciones de iluminación, el error promedio de píxeles es de 8.27 píxeles y el error promedio de ángulo es de 1.395 grados. Esta técnica es adecuada para operaciones de crestas y puede aumentar con éxito la precisión del modelo de predicción de red.