La planitud de la superficie de corte en los hongos enoki (Z.W. Ge, X.B. Liu y Zhu L. Yang) es un factor clave en la clasificación de calidad. Sin embargo, el equipo de corte automático convencional tiene dificultades con problemas de deformación debido a su incapacidad para ajustar la fuerza de agarre según el tamaño individual de los hongos. Para abordar esto, proponemos un método mejorado que integra retroalimentación visual para ajustar dinámicamente el extremo de ejecución, mejorando la precisión del corte. Nuestro enfoque mejora YOLOv8n-seg con Star Net, SPPECAN (un SPPF reconstruido con atención eficiente de canal) y C2fDStar (C2f con Star Net y convolución deformable) para mejorar la extracción de características mientras se reduce la complejidad computacional y la pérdida de características. Además, presentamos un algoritmo de optimización de juicio de propiedad de máscara y fusión para corregir desplazamientos posicionales, desconexiones internas e inestabilidades en los límites en las predicciones de área de agarre. Con base en esto, optimizamos los parámetros de agarre utilizando una medición de ancho de región basada en el centroide mejorada y establecemos un modelo de mapeo de ancho de región a PWM para la conversión precisa de datos visuales a controlador de pinza. Experimentos en entornos de situaciones reales demuestran la efectividad de nuestro método, logrando una precisión promedio media (mAP50:95) de 0.743 para la segmentación de área de agarre, un aumento del 4.5% sobre YOLOv8, con una velocidad de detección promedio de 10.3 ms y un error de medición de ancho de objetivo de solo 0.14%. La relación de mapeo propuesta permite un control adaptativo del extremo del efector, lo que resulta en una tasa de éxito de agarre del 96% y una tasa de superficie de corte calificada del 98%. Estos resultados confirman la viabilidad de nuestro enfoque y proporcionan una sólida base técnica para la automatización inteligente de los sistemas de corte de hongos enoki.