Las grietas estructurales pueden socavar críticamente la integridad de la infraestructura, impulsando la necesidad de métodos de inspección precisos y escalables más allá de los enfoques visuales convencionales o basados en imágenes 2D. Este estudio presenta un sistema automatizado que integra la reconstrucción 3D fotogramétrica con el aprendizaje profundo para cuantificar las dimensiones de las grietas en un contexto espacial. Múltiples imágenes se procesan a través de Agisoft Metashape para generar mallas 3D de alta fidelidad. Luego, un subconjunto de imágenes se selecciona automáticamente en función de la orientación de la cámara y la distancia, y se aplica un algoritmo de aprendizaje profundo para detectar grietas en imágenes 2D. Los bordes de las grietas detectadas se proyectan sobre una malla 3D, lo que permite mediciones de ancho basadas en la verdadera geometría de la estructura en lugar de aproximaciones 2D distorsionadas por la perspectiva. Esta metodología aborda las limitaciones clave de los métodos tradicionales (paralaje, oclusión y errores de curvatura de la superficie) y muestra cómo estas limitaciones pueden mitigarse anclando espacialmente las mediciones al modelo 3D. La validación en laboratorio confirma la robustez del sistema, con pruebas controladas que destacan la importancia de los ángulos de cámara casi ortogonales y los umbrales de distancia de muestreo en el suelo (GSD) para garantizar la detectabilidad de las grietas. Al sintetizar la fotogrametría y una red neuronal convolucional (CNN), el marco elimina la subjetividad en las inspecciones, mejora la seguridad al reducir la intervención manual y proporciona a los ingenieros datos dimensionalmente precisos para decisiones de mantenimiento.