Recientemente, se está llevando a cabo el desarrollo de tractores autónomos como una alternativa para resolver el problema de escasez de mano de obra agrícola debido al envejecimiento de la población y la baja tasa de natalidad. A medida que avanza el nivel de tecnología de conducción autónoma, los fabricantes de tractores deben desarrollar tecnología con la seguridad de sus clientes como máxima prioridad. En este documento, sugerimos un sistema de reconocimiento de personas para todo el entorno del tractor utilizando una cámara de cuatro canales montada en el tractor y la plataforma NVIDIA Jetson Xavier. Se realizó la sincronización de cuadros de cuatro canales y el preprocesamiento, y se combinaron los métodos de reconocimiento de personas en el entorno agrícola utilizando el algoritmo YOLO-v3. Entre los muchos objetos proporcionados por el conjunto de datos COCO para el aprendizaje del algoritmo YOLO-v3, solo se extrajeron objetos de personas y se entrenó la red. Se recopilaron un total de 8602 cuadros de imagen en el campo de pruebas de conducción LSMtron para medir el rendimiento de reconocimiento de los tractores autónomos reales. En las imágenes recopiladas, se requería expresar varias posturas de los trabajadores agrícolas (por ejemplo, partes del cuerpo oscurecidas por cultivos, agachados, etc.) que pueden aparecer en el entorno agrícola. El etiquetado de objetos de personas se realizó manualmente para los conjuntos de datos de prueba recopilados. Para este conjunto de datos de prueba, se realizó una comparación del rendimiento de reconocimiento de personas del YOLO-v3 estándar (detecta 80 clases) y nuestro YOLO-v3 (solo detecta personas). Como resultado, nuestro sistema mostró una precisión del 88.43% y una recuperación del 86.19%. Esto fue un 0.71% más de precisión y 2.3 fps más rápido que el YOLO-v3 estándar. Este rendimiento de reconocimiento se consideró suficiente teniendo en cuenta las condiciones de trabajo de los tractores autónomos.