La detección precisa de defectos en la superficie de la carretera y su integración en representaciones geoespaciales son requisitos clave para sistemas de inspección y mantenimiento basados en UAV escalables. Este trabajo presenta una pipeline de procesamiento ligera que convierte segmentaciones de defectos en pavimentos basadas en imágenes en representaciones vectoriales geoespaciales compactas adecuadas para su integración con flujos de trabajo de inspección impulsados por GIS. Además, introducimos y publicamos un conjunto de datos de defectos en carreteras basado en UAV con anotaciones a nivel de píxel, diseñado específicamente para daños en pavimentos similares a grietas. Se entrena una red neuronal convolucional profunda para realizar la segmentación semántica de defectos en pavimentos utilizando imágenes derivadas del conjunto de datos RDD2022, disponible públicamente. El rendimiento de la segmentación se evalúa a través de una variedad de umbrales de probabilidad utilizando métricas estándar a nivel de píxel, y se utiliza un punto de operación seleccionado por validación para generar máscaras de defectos binarias. Estas máscaras se procesan posteriormente para identificar instancias individuales de defectos y extraer polígonos vectoriales que preservan la geometría subyacente de estructuras similares a grietas. Para la integración geoespacial ilustrativa, los defectos predichos se proyectan en coordenadas geográficas y se exportan en formatos GIS estándar. Al transformar salidas de segmentación densas en polígonos georreferenciados compactos, el marco propuesto conecta la percepción basada en aprendizaje profundo y la evaluación de infraestructura basada en GIS, permitiendo un análisis geométrico a nivel de instancia y proporcionando una representación práctica para escenarios de inspección de carreteras basados en UAV.