Las mediciones de alto rendimiento de parámetros fenotípicos en plantas generan datos sustanciales, mejorando significativamente la optimización de la producción agrícola y la eficiencia en la crianza. Sin embargo, estas mediciones enfrentan varios desafíos, incluida la variabilidad ambiental, la heterogeneidad de la muestra y el complejo procesamiento de datos. Este estudio presenta un método aplicable a la segmentación de tallos y hojas y la extracción de parámetros durante la etapa de plántula de tomate, utilizando nubes de puntos tridimensionales. Enfocándose en plántulas de tomate, los datos fueron capturados utilizando una cámara de profundidad para crear modelos de nubes de puntos. Se emplearon los algoritmos RANSAC, crecimiento de región y triangulación de proyección codiciosa para extraer parámetros fenotípicos como la altura de la planta, el grosor del tallo, el área de la hoja y el ángulo de inclinación de la hoja. Los resultados mostraron fuertes correlaciones, con coeficientes de determinación para los parámetros medidos manualmente versus los parámetros de nube de puntos 3D extraídos siendo 0,920, 0,725, 0,905 y 0,917, respectivamente. Los errores cuadráticos medios fueron 0,643, 0,168, 1,921 y 4,513, con errores porcentuales absolutos de 3,804%, 5,052%, 5,509% y 7,332%. Estos hallazgos destacan una relación sólida entre las mediciones manuales y los parámetros extraídos, estableciendo una base técnica para la extracción automatizada de parámetros fenotípicos de alto rendimiento en plántulas de tomate.