A medida que la milla de carreteras continúa expandiéndose, el número de desastres causados por la expansión de las grietas en el pavimento está aumentando. Se utilizan dos métodos principales, el procesamiento de imágenes y el aprendizaje profundo, para detectar estas grietas y mejorar la eficiencia y calidad de la segmentación de grietas en el pavimento. La red de segmentación clásica, UNet, tiene una mala capacidad para extraer información de borde de los objetivos y segmentar pequeños objetivos, y es susceptible a la influencia de objetos distractores en el entorno, lo que resulta en una segmentación deficiente de las pequeñas grietas en el pavimento. Para resolver este problema, proponemos una red en forma de U, ALP-UNet, que añade un módulo de atención a cada capa de codificación. En la fase de decodificación, incorporamos la pirámide laplaciana para que el mapa de características contenga más información de los bordes. También proponemos añadir una cabeza auxiliar PAN para proporcionar una pérdida adicional para el backbone y mejorar el efecto de segmentación general de la red. Los resultados experimentales muestran que el método propuesto puede reducir efectivamente la interferencia de otros factores en el pavimento y mejorar efectivamente los valores de mIou y mPA en comparación con los métodos anteriores.