Las grietas pueden ocurrir en diferentes superficies como edificios, carreteras, aviones, etc. La inspección manual de grietas es lenta y propensa a errores humanos. La visión artificial se ha utilizado durante décadas para detectar defectos en materiales en líneas de producción. Sin embargo, la detección o segmentación de grietas en una superficie con textura aleatoria, como el mármol, no ha sido investigada suficientemente. Este trabajo proporciona un estudio sistemático y exhaustivo actualizado sobre la segmentación de grietas en mármol con imágenes a color basadas en técnicas de aprendizaje profundo (DL). Los autores realizaron una evaluación de rendimiento de 112 modelos de segmentación DL con imágenes de losas de mármol rojo-verde-azul (RGB) utilizando validación cruzada de cinco pliegues, proporcionando métricas de evaluación consistentes en términos de Intersección sobre Unión (IoU), precisión, recuperación y puntuación F1 para identificar los desafíos de segmentación relacionados con la fisiología de las grietas en mármol. Los resultados comparativos revelan que el modelo FPN es la arquitectura más eficiente, obteniendo un IoU medio del 71.35%, y que SE-ResNet es la familia de redes de extracción de características más efectiva. Los resultados indican la importancia de seleccionar la función de pérdida y la red de base adecuadas, subrayan los desafíos relacionados con el problema de segmentación de grietas en mármol y representan un paso importante hacia la automatización robótica de la segmentación de grietas y la aplicación simultánea de resina para reparar grietas en plantas de procesamiento de mármol.