La madurez de la fruta es un índice crucial para determinar el período óptimo de cosecha de la esponja de luffa en campo abierto. Dada la continua floración y fructificación de la planta, las frutas a menudo alcanzan la madurez en diferentes momentos, lo que hace que la detección precisa de la madurez sea esencial para la producción de esponjas de luffa de alta calidad y alto rendimiento. A pesar de su importancia, se ha realizado poca investigación en China sobre frutas y verduras jóvenes en campo abierto y existe una escasez de estándares y técnicas para el monitoreo preciso y no destructivo de la madurez de la fruta de luffa. Este estudio introduce un método de detección y clasificación de madurez en tiempo real para la luffa, que consta de dos componentes: LuffaInst, un modelo de segmentación de instancias de una etapa, y un modelo de clasificación de madurez basado en aprendizaje automático. LuffaInst emplea un EdgeNeXt ligero como columna vertebral y una red piramidal de características basada en atención mejorada (PAFPN). Para adaptarse a las características únicas de las frutas alargadas de luffa y al desafío de la detección de objetivos pequeños, incorporamos un módulo de atención novedoso, el módulo de atención de franja eficiente (ESA), que utiliza núcleos convolucionales largos y estrechos para el agrupamiento de franjas, una estrategia más adecuada para la detección de frutas de luffa que el agrupamiento espacial tradicional. Los resultados experimentales en el conjunto de datos de luffa revelan que estas mejoras equipan a nuestro LuffaInst con pesos de parámetros más bajos y una precisión más alta que otros modelos de segmentación de instancias prevalentes. La precisión media promedio (mAP) en el conjunto de datos de imágenes de luffa mejoró al menos un 3.2% y los FPS aumentaron al menos 10.13 f/s en comparación con Mask R-CNN, Mask Scoring R-CNN, YOLACT++ y SOLOv2, satisfaciendo así el requisito de detección en tiempo real. Además, se desarrolló un modelo de bosque aleatorio, que se basa en características de color y textura, para tres clasificaciones de madurez de instancias de frutas de luffa (M1: etapa de cuajado de frutas, M2: etapa de agrandamiento de frutas, M3: etapa de maduración de frutas). La aplicación de una estrategia de poda ayudó a lograr que el modelo de bosque aleatorio tuviera la mayor precisión (91.47% para M1, 90.13% para M2 y 92.96% para M3), lo que culminó en una precisión general del 91.12%. Este estudio ofrece resultados prometedores para la detección de la madurez de la fruta de luffa, brindando apoyo técnico para la cosecha automatizada e inteligente de la luffa.