En una era de construcción masiva, la infraestructura dañada y envejecida se está volviendo más común. Los defectos, como grietas, descamación, etc., son los principales tipos de daño estructural que ocurren ampliamente. Por lo tanto, garantizar el funcionamiento seguro de la infraestructura existente a través del monitoreo de la salud ha surgido como un desafío importante que enfrentan los ingenieros. En los últimos años, enfoques inteligentes, como máquinas impulsadas por datos y detección de grietas mediante aprendizaje profundo, han dominado gradualmente sobre los métodos tradicionales. Entre ellos, la segmentación semántica utilizando modelos de aprendizaje profundo es un proceso de caracterización de ubicaciones precisas y retratos de grietas mediante clasificación a nivel de píxeles. La mayoría de los estudios disponibles se basan en el conocimiento de un solo modelo para realizar esta tarea. Sin embargo, es bien sabido que el modelo único podría sufrir de baja varianza y baja capacidad para generalizar en caso de alteración de datos. Al aprovechar la filosofía de aprendizaje profundo en conjunto, se propone un nuevo método colaborativo de segmentación semántica de grietas de concreto llamado Co-CrackSegment. En primer lugar, se entrenan cinco modelos, a saber, U-net, SegNet, DeepCrack19, DeepLabV3-ResNet50 y DeepLabV3-ResNet101 para servir como modelos centrales para el modelo de conjunto Co-CrackSegment. Para construir el modelo de conjunto Co-CrackSegment, se desarrolla un nuevo enfoque iterativo basado en las mejores métricas de evaluación, a saber, el puntaje Dice, IoU, precisión de píxeles, precisión y métricas de recall. Los resultados muestran que Co-CrackSegment exhibe un rendimiento destacado en comparación con los modelos centrales y el promedio ponderado del conjunto en función de las mejores métricas estadísticas consideradas.