机器视觉导航是智慧农业的重要部分，无作物田垄的导航线检测是旱地移栽导航的关键。针对无作物田垄颜色信息相近、纹理差距小，传统图像处理方法适用性差、准确率低，语义分割算法检测速度慢、实时性差的问题，该研究提出一种基于改进DeepLabV3+的田垄分割模型。首先对传统DeepLabV3+网络进行轻量化设计，用MobileNetV2网络代替主干网络Xception，以提高算法的检测速度和实时性；接着引入CBAM(convolutional block attention module,CBAM)注意力机制，使模型能够更好地处理垄面边界信息；然后利用垄面边界信息获得导航特征点，对于断垄情况，导航特征点会出现偏差，因此利用四分位数对导航特征点异常值进行筛选，并采用最小二乘法进行导航线拟合。模型评估结果显示，改进后模型的平均像素精确度和平均交并比分别为96.27%和93.18%，平均检测帧率为84.21帧/s，优于PSPNet、U-Net、HRNet、Segformer以及DeepLabV3+网络。在不同田垄环境下，最大角度误差为1.2°，最大像素误差为9，能够有效从不同场景中获取导航线。研究结果可为农业机器人的无作物田垄导航提供参考。
