La inspección de grietas en traviesas de ferrocarril es crucial para garantizar la seguridad del riel y evitar accidentes mortales. Los métodos tradicionales para detectar grietas en las traviesas de ferrocarril son muy lentos y carecen de eficiencia. Por lo tanto, en la actualidad, los investigadores están prestando atención a algoritmos basados en visión, especialmente algoritmos de Aprendizaje Profundo. En este trabajo, adoptamos por primera vez el U-net para detectar grietas en una traviesa de ferrocarril y propusimos una arquitectura modificada de U-net llamada Dense U-net para segmentar las grietas. En la estructura Dense U-net, establecimos varias conexiones cortas entre los bloques de codificación y decodificación, lo que permitió que la arquitectura obtuviera un mejor flujo de información de píxeles. Por lo tanto, el modelo extrajo la información necesaria con más detalle para predecir las grietas. Recopilamos imágenes de traviesas de ferrocarril, las procesamos en un conjunto de datos y finalmente entrenamos el modelo con las imágenes. El modelo logró un F1-score general, precisión, Recall y IoU del 86.5%, 88.53%, 84.63% y 76.31%, respectivamente. Comparamos nuestro modelo sugerido con el U-net original, y los resultados demuestran que nuestro modelo tuvo un mejor desempeño que el U-net en ambos resultados cuantitativos y cualitativos. Además, consideramos la necesidad de análisis de la severidad de las grietas y medimos algunos parámetros de las grietas. Los ingenieros deben conocer la severidad de las grietas para tener una idea sobre las ubicaciones más severas y tomar las medidas necesarias para reparar las traviesas gravemente afectadas.