Este estudio aborda los desafíos críticos del reconocimiento de expresiones faciales en cerdos en entornos de grandes manadas y propone un método de detección que combina la inspección de vuelo activo con una arquitectura refinada de YOLOv8. El objetivo es mejorar la precisión y eficiencia del monitoreo automatizado de la salud en cerdos, centrándose en la identificación de síntomas asociados con condiciones comunes como resfriados, fiebre y tos. Para garantizar la relevancia clínica, el etiquetado de síntomas relacionados con la salud se verificó utilizando una combinación de evaluación veterinaria en el lugar y herramientas auxiliares, incluyendo termometría infrarroja (para fiebre) y protocolos de observación clínica. Al integrar los módulos Detect_FASFF, PartialConv e iEMA, el modelo mejorado alcanza una precisión media promedio en un umbral de IoU del 50% (mAP) de 95.5%/95.9%, 95.6% y 96.4%, respectivamente, superando a los modelos convencionales por un margen sustancial. Los resultados demuestran que el detector ligero y de alta precisión puede activar alertas tempranas de enfermedades y apoyar la gestión inteligente de manadas. Este avance tiene importantes implicaciones para mejorar el bienestar animal y fomentar la producción ganadera sostenible.