Para obtener la forma y postura completa del maíz bajo oclusión, este estudio propone un algoritmo de completado de nube de puntos para completar la nube de puntos fragmentada del maíz después de la segmentación. Dado que este trabajo se enfoca en un cultivo de una sola clase, maíz, las propuestas se centran principalmente en el tamaño del modelo de aprendizaje profundo y en el completado de la forma general del maíz. En este trabajo, los modelos de maíz en 3D derivados de la segmentación se utilizan para generar sistemáticamente los datos fragmentados de la nube de puntos en lotes. También se propone el algoritmo Shape Coding PointAttN (SCPAN), que se basa en PointAttN. La estructura del modelo se simplifica para generar nubes de puntos dispersas y minimizar la complejidad computacional, y se introduce un perceptrón multicapa (MLP) con compuertas que contiene codificación de posición en 3D para mejorar la conciencia espacial del modelo. Además, el módulo codificador de forma previa se entrena inicialmente y posteriormente se integra en el modelo para mejorar su enfoque en las características de forma. En comparación con el modelo original, PointAttN, SCPAN logra una reducción del 34,2% en el número de parámetros, y el tiempo de inferencia se reduce en 30 ms manteniendo una precisión comparable. Los resultados experimentales muestran que el método propuesto puede completar la nube de puntos de maíz de manera más efectiva, utilizando un modelo pequeño para ayudar a estimar con precisión la postura y dimensiones del maíz. Este trabajo respalda el análisis fenotípico preciso del maíz y cultivos similares, como cítricos y tomates, y promueve el desarrollo de tecnología agrícola inteligente.