Los rasgos fenotípicos y la extracción fenotípica en la etapa de plántula de la colza desempeñan un papel crucial en la evaluación del crecimiento de la colza, la cría de nuevas variedades y la estimación del rendimiento. La fenotipificación manual no solo consume mucha mano de obra y tiempo, sino que incluso el proceso de medición puede causar daños estructurales a las plantas de colza. Los métodos existentes de adquisición de fenotipos de cultivos tienen limitaciones en cuanto a rendimiento y precisión, lo que dificulta satisfacer las demandas del análisis fenotípico. Proponemos un método de segmentación y medición fenotípica de colza basado en el splatting gaussiano 3D con PointNet++ mejorado. La red CKG-PointNet++ está diseñada para integrar módulos convolucionales CGLU y FastKAN en la capa SA, e introducir MogaBlock y un mecanismo de autoatención en la capa FP para mejorar la extracción de características locales y globales. Los experimentos muestran que el método logra una precisión general (OA) del 97.70% y una intersección media sobre unión (mIoU) del 96.01% en la tarea de segmentación de nube de puntos de colza. Los parámetros fenotípicos extraídos estaban altamente correlacionados con las mediciones manuales, con una R de 0.9843, 0.9632, 0.9806 y 0.8890 para longitud y ancho de hoja, área de hoja e inclinación de hoja, y un RMSE de 0.1621 cm, 0.1546 cm, 0.6892 cm y 2.1144 grados, respectivamente. Esta técnica proporciona una solución factible para la medición de alto rendimiento y rápida de fenotipos de plántulas en colza.