Identificar las áreas transitables entre las filas de huertos es crucial para el equipo agrícola inteligente. Sin embargo, persisten desafíos en cuanto a la precisión, el rendimiento en tiempo real y la generalización de los modelos de aprendizaje profundo en este campo. Este estudio propuso el modelo SwinLabNet en el contexto de huertos de azufaifo, un modelo de red innovador que utilizó una arquitectura híbrida ligera CNN-transformer. Este enfoque optimizó la extracción de características y la captura de información contextual, abordando eficazmente las dependencias a largo plazo, la adquisición de información global y el procesamiento detallado de los límites. Después de entrenar con el conjunto de datos del huerto de azufaifo, el modelo SwinLabNet demostró ventajas significativas en rendimiento: la precisión de entrenamiento alcanzó el 97.24%, la media de Intersección sobre Unión (IoU) fue del 95.73% y la tasa de recall fue tan alta como el 98.36%. Además, el modelo tuvo un desempeño excepcional en conjuntos de datos de vegetales, resaltando su capacidad de generalización en diferentes entornos de cultivos. Este estudio aplicó con éxito el modelo SwinLabNet en entornos de huertos, brindando un apoyo esencial para el desarrollo de equipo agrícola inteligente, avanzando en la identificación de áreas transitables entre filas, y sentando una base sólida para promover y aplicar tecnologías agrarias inteligentes.