La inspección manual de daños en infraestructuras, como las grietas en los edificios, es difícil debido a la objetividad y fiabilidad de la evaluación, así como a las altas demandas de tiempo y costos. Esto se puede automatizar utilizando vehículos aéreos no tripulados (UAV) para obtener imágenes aéreas de los daños. Se han aplicado numerosos enfoques basados en visión por computadora para abordar las limitaciones de la detección de grietas, pero tienen sus propias limitaciones que se pueden superar utilizando diversos enfoques híbridos basados en técnicas de inteligencia artificial (IA) y aprendizaje automático (ML). Las redes neuronales convolucionales (CNN), una aplicación del método de aprendizaje profundo (DL), muestran un potencial notable para detectar automáticamente características de imagen como los daños y son menos sensibles al ruido de la imagen. Se ha utilizado una arquitectura de CNN jerárquica profunda modificada en este estudio para la detección de grietas y la evaluación de daños en infraestructuras civiles. La arquitectura propuesta se basa en 16 capas de convolución y una red generativa adversarial cíclica (CycleGAN). Para este estudio, las imágenes de grietas se recopilaron utilizando UAV y imágenes de código abierto de edificios de mediana a alta altura (cinco pisos o más) construidos durante 2000 en Sídney, Australia. Convencionalmente, una red CNN solo utiliza la última capa de convolución. Sin embargo, nuestra red propuesta se basa en la utilidad de múltiples capas. Otro componente importante de la arquitectura CNN propuesta es la aplicación de filtrado guiado (GF) y campos aleatorios condicionales (CRF) para refinar las salidas predichas y obtener resultados fiables. Se utilizaron datos de referencia (600 imágenes) de daños en edificios de Sídney para probar la arquitectura propuesta. La arquitectura CNN jerárquica profunda propuesta produjo un rendimiento superior cuando se evaluó utilizando cinco métodos: método GF, método Baseline (BN), Deep-Crack BN, Deep-Crack GF y SegNet. En general, el método GF superó a todos los demás métodos, como lo indica la precisión global (0.990), la precisión promedio por clase (0.939), la intersección media de la unión de todas las clases (IoU) (0.879), la precisión (0.838), el recall (0.879) y los valores de F-score (0.8581). En general, la arquitectura CNN propuesta ofrece las ventajas de reducir el ruido, una supervisión altamente integrada de las características, un aprendizaje adecuado y la agregación de características tanto a múltiples escalas como a múltiples niveles durante el procedimiento de entrenamiento, junto con el refinamiento de las predicciones de salida generales.