Este documento presenta un enfoque novedoso para la detección, clasificación y segmentación de grietas en materiales de pavimento utilizando técnicas avanzadas de aprendizaje profundo, que incluyen la agregación de características a múltiples escalas y mecanismos de atención basados en transformadores. La metodología propuesta mejora significativamente la capacidad del modelo para manejar diferentes tamaños, formas y texturas complejas de pavimento. Entrenado en un conjunto de datos de 10,000 imágenes, el modelo logró mejoras sustanciales en el rendimiento en todas las tareas después de integrar la atención basada en transformadores. La precisión de detección aumentó del 88.7% al 94.3%, y el IoU mejoró del 78.8% al 93.2%. En clasificación, la precisión subió del 88.3% al 94.8%, y la recuperación mejoró del 86.8% al 94.2%. Para la segmentación, el Coeficiente de Dice aumentó del 80.3% al 94.7%, y el IoU para la segmentación avanzó del 74.2% al 92.3%. Estos resultados subrayan la robustez y precisión del modelo en la identificación de grietas en pavimentos en escenarios desafiantes del mundo real. Este marco no solo avanza el mantenimiento automatizado de pavimentos, sino que también proporciona una base para futuras investigaciones centradas en optimizar el procesamiento en tiempo real y extender la aplicabilidad del modelo a condiciones de pavimento más diversas.