La propagación de infecciones y pudrición son factores cruciales en la disminución de la producción de tomate. Segmentar con precisión los tomates afectados en tiempo real puede prevenir la propagación de enfermedades. Sin embargo, factores ambientales y características de la superficie pueden afectar la precisión de la segmentación de tomates. Este estudio sugiere una red mejorada YOLOv8s-Seg para realizar una segmentación efectiva y en tiempo real de frutas de tomate, color de superficie y características de la superficie. La capacidad de fusión de características del algoritmo se mejoró reemplazando el módulo C2f con el módulo RepBlock (apilado por RepConv), agregando convolución SimConv (utilizando la función ReLU en lugar de la función SiLU como función de activación) antes de dos upsampling en la red de fusión de características, y reemplazando la convolución convencional restante con SimConv. El puntaje F1 fue del 88.7%, que fue 1.0%, 2.8%, 0.8% y 1.1% más alto que el algoritmo YOLOv8s-Seg, algoritmo YOLOv5s-Seg, algoritmo YOLOv7-Seg y algoritmo Mask RCNN, respectivamente. Mientras tanto, la precisión media del segmento (segment mAP) fue del 92.2%, que fue 2.4%, 3.2%, 1.8% y 0.7% más alta que la del algoritmo YOLOv8s-Seg, algoritmo YOLOv5s-Seg, algoritmo YOLOv7-Seg y algoritmo Mask RCNN. El algoritmo puede realizar una segmentación de instancias en tiempo real de tomates con un tiempo de inferencia de 3.5 ms. Este enfoque proporciona soporte técnico para el monitoreo de la salud de los tomates y la cosecha inteligente.