Dado que las impurezas producidas durante el procesamiento de nueces pueden causar graves daños a la salud humana, es necesario llevar a cabo un estricto control de calidad durante la producción. Sin embargo, la mayoría de los equipos de detección aún utilizan tecnología de detección fotoeléctrica para clasificar automáticamente partículas heterocromáticas, lo cual no es adecuado para detectar cuerpos extraños endógenos con colores similares. Por lo tanto, este documento propone un algoritmo de detección de objetos de aprendizaje profundo YOLOv4 mejorado, WT-YOLOM, para detectar impurezas endógenas en nueces, como núcleos aceitosos, núcleos con manchas negras, núcleos marchitos y cáscaras de nuez terrosas. En el cuerpo del modelo, se utilizó un módulo MobileNet ligero como codificador para la extracción de características. La estructura de agrupación piramidal espacial (SPP) se mejoró a agrupación piramidal espacial-rápida (SPPF) y el tamaño del modelo se redujo aún más. La función de pérdida se reemplazó en este modelo con una función de pérdida SIoU más completa. Además, se aplicaron mecanismos de atención de canal eficientes (ECA) después del mapa de características del cuerpo para mejorar la precisión de reconocimiento del modelo. Este documento compara la velocidad y precisión de reconocimiento del algoritmo WT-YOLOM con los algoritmos Faster R-CNN, EfficientDet, CenterNet y YOLOv4. Los resultados mostraron que la precisión media de este modelo para diferentes tipos de impurezas endógenas en nueces alcanzó el 94.4%. En comparación con el modelo original, el tamaño se redujo en un 88.6% y la velocidad de reconocimiento alcanzó los 60.1 FPS, lo que representó un aumento del 29.0%. Las métricas del modelo WT-YOLOM fueron significativamente mejores que las de los modelos comparativos y pueden mejorar significativamente la eficiencia de detección de cuerpos extraños endógenos en nueces.