Las malas condiciones de la superficie de la carretera representan un riesgo significativo para la operación de vehículos, especialmente en el caso de vehículos autónomos. Por lo tanto, el mantenimiento de las superficies de las carreteras se volverá aún más importante en el futuro. Con el desarrollo de la tecnología de procesamiento de imágenes de computadora basada en el aprendizaje profundo, se están investigando activamente modelos de inteligencia artificial que evalúan las condiciones de la carretera. Sin embargo, dado que las condiciones de iluminación de la superficie de la carretera varían según el clima, el rendimiento del modelo puede degradarse para una imagen cuyo brillo cae fuera del rango de la imagen aprendida, incluso para la misma carretera. En este estudio, se desarrolló un modelo de segmentación semántica con una estructura de autoencoder para detectar la superficie de la carretera junto con un modelo de preprocesamiento de imágenes basado en CNN. Esta configuración garantiza una mejor detección de grietas en la superficie de la carretera ajustando el brillo de la imagen antes de ingresarla al modelo de detección de grietas en la carretera. Cuando se aplicó el modelo de preprocesamiento, el modelo de segmentación de grietas en la carretera mostró un rendimiento consistente incluso bajo valores de brillo variables.