균열은 재료나 구조물 표면에서 주로 생기는 작은 틈이나 파손된 부분을 의미한다. 균열 분할 검출은 구조물 진단 에서 손상 진단의 정밀도를 높이는 핵심 요소이며, 공공 안전 보장하고 인프라를 안정적으로 지속시키기 위한 적절 한 대응이 가능하기 때문에 활발히 연구되고 있는 기술이다. 딥러닝 기술이 발전함에 따라 균열 분할 기술에도 도 입되어 지속적으로 발전하고 있다. 최근 딥러닝 기술 중 Convolutional Neural Network(CNN)과 Transformer 두 개의 기술을 활용한 검출 기법이 주목받고 있다. CNN은 지역적인 특성을 효과적으로 인식하며 파라미터 효율성을 가지고, Transformer는 긴 범위의 의존성을 잘 처리하고 병렬 처리에 최적화되어 있는 장점이 있다. 하지만, CNN 은 긴 범위의 의존성을 잘 처리하지 못하며, Transformer는 학습에 많은 데이터와 연산량이 필요하다. 즉, 균열 분 할 검출 분야에서는 이미지 분류 분야보다 훈련 데이터 수가 부족하므로 이를 개선할 수 있는 방안이 필수적이다. 따라서, 본 연구에서는 균열 분할 도메인에 적합한 딥러닝 모델 설계하기 위해 지역적인 특성 추출이 가능한 얕은 CNN과 장거리 의존성에 강한 Transformer의 장점을 통합하는 접근법을 제안한다. 제안된 접근법은 Inductive Bias 를 향상 시킬 수 있도록 원시 이미지에서 Patch Partition 기법 대신 얕은 CNN 층을 활용하여 Transformer의 입력 으로 사용한다. 테스트 결과 이 방법은 향상된 일반화 능력을 보여주었으며, 기존 방법들보다 더욱 빠르게 수렴하 고, 더 높은 정확도와 F1 점수를 개선하였다.