Las grietas en el concreto representan importantes riesgos de seguridad para los edificios, y los modelos de segmentación semántica basados en aprendizaje profundo han logrado resultados de vanguardia en la detección de grietas en el concreto. Sin embargo, estos modelos suelen tener un tamaño grande que es imposible de utilizar en drones. Para resolver este problema, proponemos un Método de Segmentación Basado en Convolución Ligera con un Módulo de Convolución Multi-Directional Separable (LCSNet). En nuestro método propuesto, se utiliza convolución ligera para sustituir todas las convoluciones tradicionales. Además, se utiliza una estructura ligera llamada Módulo de Convolución Multi-Directional Separable (SMDCM) para sustituir estructuras paralelas tradicionales o módulos de atención para aprender características contextuales o de detalle. De esta manera, se puede conservar la capacidad de extraer la información de características contextuales del modelo mientras que se reduce en gran medida la complejidad computacional. A través de estas dos mejoras, el tamaño del modelo propuesto puede tener una menor complejidad computacional. Los resultados experimentales muestran que nuestro LCSNet propuesto puede lograr precisión del 94.2%, 83.6%, 99.2% y 83.3% en los conjuntos de datos Cracktree200, CRACK500, CFD y RECrack, respectivamente, que son más altos que los de los modelos tradicionales. Sin embargo, el tamaño del modelo de nuestro LCSNet es solo de 2M.