En un entorno de invernadero, la aplicación de tecnología de inteligencia artificial para la cosecha selectiva de tomates aún enfrenta numerosos desafíos, incluida la iluminación variable, la interferencia del fondo y las características superficiales indistintas de la fruta. Este estudio propone un modelo mejorado de segmentación de instancias llamado FGS-YOLOv8s-seg, que logra una detección precisa y una clasificación de madurez de tomates en entornos de invernadero. El modelo incorpora un mecanismo de atención SegNext_Attention novedoso al final de la columna vertebral, al mismo tiempo que reemplaza las estructuras de Cuello de Botella en la capa del cuello con bloques FasterNet e integra módulos transformadores de contexto gaussiano para formar una estructura ligera C2f_FasterNet_GCT. Los experimentos muestran que este modelo funciona significativamente mejor que los modelos de segmentación convencionales en indicadores clave como precisión (86.9%), recall (76.3%), precisión promedio (mAP 84.8%), puntuación F1 (81.3%) y GFLOPs (35.6 M). En comparación con el modelo de referencia YOLOv8s-seg, estos métricos muestran mejoras de 2.6%, 3.8%, 5.1%, 3.3% y 6.8 M, respectivamente. Los experimentos de ablación demuestran que la arquitectura mejorada contribuye significativamente a las ganancias de rendimiento, con mejoras combinadas que producen resultados óptimos. El análisis de videos de rendimiento de detección bajo diferentes patrones de cultivo demuestra la generalizabilidad del modelo mejorado en entornos complejos, logrando un equilibrio óptimo entre precisión de detección (86.9%) y velocidad de inferencia (53.2 fps). Este estudio proporciona una solución técnica confiable para la cosecha selectiva de tomates en invernaderos.