Los fondos complejos de tierras de cultivo y las variaciones en la intensidad de la luz dificultan la detección de los caminos de guía, incluso con la tecnología de visión por computadora. En este estudio, se propone un enfoque robusto de extracción de líneas para su uso en la navegación de robots agrícolas guiados por visión. Los cultivos, las correas de riego por goteo y los surcos se extraen mediante un método de aprendizaje profundo para formar múltiples puntos de características de navegación, que luego se ajustan en una línea de regresión utilizando el método de mínimos cuadrados. Además, se utilizan métodos impulsados por aprendizaje profundo para detectar malezas y cultivos no saludables. El control de velocidad proporcional-integral-derivativo (PID) programado y el control de dirección basado en lógica difusa se incorporan en un sistema de hardware de bajo costo y ayudan a un robot agrícola altamente maniobrable a mantener el movimiento hacia adelante a una velocidad constante y a realizar operaciones de pulverización selectiva de manera eficiente. Los resultados experimentales muestran que bajo diferentes condiciones climáticas, el robot agrícola puede mantener un ángulo de desviación de 1 grado a una velocidad de 12.5 cm/s y realizar operaciones de pulverización selectiva de manera eficiente. La cobertura efectiva de malezas (EWC) y la cobertura ineficaz de malezas (IWC) alcanzaron el 83% y el 8%, respectivamente, y la reducción de pesticidas alcanzó el 53%. Un análisis detallado y una evaluación del esquema propuesto también se ilustran en este documento.