Como un cultivo comercial de importancia global, la optimización del rendimiento y la calidad del tomate es estratégicamente significativa para la seguridad alimentaria y el desarrollo agrícola sostenible. Para abordar el problema de la falta de datos de nubes de puntos sobre frutas en un entorno de agricultura de instalaciones debido a la compleja estructura del dosel, la sombra de las hojas y los puntos de vista de recolección limitados, el método tradicional de ajuste geométrico dificulta la restauración de la verdadera morfología de las frutas debido a la dependencia de la integridad de los datos. Este estudio propone un algoritmo de autoajuste de simetría adaptativa (ASSM). Ajusta dinámicamente los planos de simetría al detectar características de regiones defectuosas en tiempo real, implementa la finalización de nubes de puntos bajo múltiples restricciones de simetría y construye un sistema de planos de simetría triple ortogonal para adaptarse a estructuras heterogéneas multidireccionales bajo oclusiones complejas. Los experimentos realizados en 150 frutas de tomate con tasas de oclusión del 5 al 70% demuestran que ASSM logró valores de coeficiente de determinación (R) de 0.9914 (longitud), 0.9880 (ancho) y 0.9349 (altura) bajo alta oclusión, reduciendo el error cuadrático medio (RMSE) en un 23.51-56.10% en comparación con el ajuste elipsoidal tradicional. Una validación adicional en frutas de berenjena confirmó la adaptabilidad cruzada del método. El método ASSM propuesto supera la dependencia de la integridad de los datos de las técnicas convencionales, proporcionando datos tridimensionales (3D) de alta precisión para el monitoreo del crecimiento de las plantas y permitiendo una fenotipificación precisa en sistemas agrícolas inteligentes.