La fenotipificación de plantas juega un papel vital en la conexión entre el genotipo y la adaptabilidad ambiental, con importantes aplicaciones en la mejora de cultivos y la agricultura de precisión. Los métodos tradicionales de medición de hojas son laboriosos y destructivos, mientras que las tecnologías modernas de detección 3D como LiDAR proporcionan nubes de puntos de alta resolución pero enfrentan desafíos en la segmentación automática de hojas debido a la oclusión, la similitud geométrica y la densidad de puntos desigual. Para abordar estos desafíos, proponemos MRSliceNet, un marco de aprendizaje profundo de extremo a extremo inspirado en la cognición visual humana. La red integra tres componentes clave: un Módulo de Corte Recursivo a Múltiples Escalas (MRSM) para la extracción detallada de características locales, un Módulo de Fusión de Contexto (CFM) que combina características locales y globales a través de mecanismos de atención, y una Cabeza de Agrupamiento Consciente de Instancias (IACH) que genera incrustaciones discriminativas para una separación precisa de instancias. Experimentos extensivos en dos conjuntos de datos desafiantes muestran que nuestro método establece un nuevo rendimiento de vanguardia, logrando un AP de 55.04%/53.78%, un AP de 65.37%/64.00%, y un AP de 74.68%/73.45% en el Conjunto de Datos A y el Conjunto de Datos B, respectivamente. El marco propuesto no solo produce límites claros e identificación de instancias confiables, sino que también proporciona una solución efectiva para la fenotipificación automatizada de plantas, como lo demuestra su exitosa implementación en pipelines de investigación agrícola del mundo real.