Detectar grietas durante el monitoreo de la salud estructural es crucial para garantizar la seguridad y longevidad de la infraestructura. Utilizar drones para obtener imágenes de grietas y automatizar el procesamiento puede mejorar la eficiencia de la detección de grietas. Para abordar los desafíos que plantean los recursos informáticos limitados de los dispositivos de borde en aplicaciones prácticas, proponemos CrackScopeNet, un modelo de red de segmentación ligero que considera simultáneamente características de grietas locales y globales, siendo adecuado para su implementación en plataformas de drones con potencia computacional y memoria limitadas. Esta nueva red cuenta con una rama de múltiples escalas para mejorar la sensibilidad a grietas de diferentes tamaños sin un costo computacional sustancial, junto con un mecanismo de atención contextual por franjas para mejorar la captura de información contextual de largo alcance mientras mitiga la interferencia de fondos complejos. Los resultados experimentales en el conjunto de datos CrackSeg9k demuestran que nuestro método conduce a una mejora significativa en el rendimiento de predicción, con las puntuaciones más altas de intersección sobre unión (mIoU) alcanzando el 82.12%, y mantiene una arquitectura ligera con solo 1.05 M de parámetros y 1.58 G de operaciones de punto flotante (FLOPs). Además, el modelo propuesto sobresale en velocidad de inferencia en dispositivos de borde sin GPU gracias a sus bajos FLOPs. CrackScopeNet contribuye al desarrollo de redes de segmentación de grietas eficientes y efectivas adecuadas para aplicaciones prácticas de monitoreo de la salud estructural utilizando plataformas de drones.