كشف التشققات في الهياكل الأساسية، مثل الطرق والمباني، وتقسيمها يُعد أمرًا بالغ الأهمية من حيث السلامة والصيانة الفعّالة من حيث التكلفة. وعلى الرغم من الإمكانات الكبيرة للتعلم العميق، تظل هناك تحديات في تحقيق نتائج دقيقة وتعامل مع تنوع أنواع التشققات. وباستخدام مجموعة البيانات والنموذج المقترح، نهدف إلى تحسين كشف التشققات وصيانة الهياكل الأساسية. نقدّم "هايبريد-سيغمنتور" (Hybrid-Segmentor)، وهي منهجية تعتمد على هيكل مشفر-فكّك (encoder-decoder) قادرة على استخلاص خصائص التشققات على المستويين المحلي الدقيق والعام. وهذا يمكّن النموذج من تحسين قدرته على التعميم، مما يتيحه التمييز بين أنواع مختلفة من أشكال التشققات، ومسطحاتها، وأحجامها. ولضمان أداء حسابي منخفض من أجل الاستخدام العملي، مع الحفاظ على القدرة العالية على التعميم للنموذج، ندمج نموذج انتباه ذاتي (self-attention) على مستوى المشفر (encoder)، في حين نقلل من تعقيد مكوّن الفكّك (decoder). وقد أظهر النموذج المقترح تفوقًا على النماذج القياسية الحالية عبر خمسة مقاييس كمية (دقة 0.971، دقة 0.804، استرجاع 0.744، مقياس F1 0.770، ودرجة تقاطع على الوحدة (IoU) 0.630)، ما يمنحه مركز الصدارة في مجاله.