Los sistemas de ordeño automatizados (AMS) ya incorporan una variedad de equipos de monitoreo y detección de leche, pero la sensibilidad, especificidad y valor predictivo positivo de la detección de mastitis clínica (CM) siguen siendo bajos. Un síntoma típico de la CM es la presencia de coágulos en la leche durante el preordeño. El objetivo de este estudio fue el desarrollo y evaluación de un modelo de aprendizaje profundo con capacidades de reconocimiento de imágenes, específicamente una red neuronal convolucional (NN), capaz de detectar dichos coágulos en imágenes de los calcetines del filtro de leche del sistema de ordeño, después de la fase en la que se han descartado los primeros chorros de leche. En total, se tomaron 696 imágenes con coágulos y 586 imágenes sin ellos. Estas se dividieron aleatoriamente en conjuntos de datos de entrenamiento, validación y prueba en proporciones de 60/20/20, respectivamente, para el entrenamiento y la validación de la NN. Se entrenó una NN convolucional con conexiones residuales, y los hiperparámetros se optimizaron en función del conjunto de datos de validación utilizando un algoritmo genético. Se calcularon los gradientes integrados para explicar la interpretación de la NN. La precisión de la NN en el conjunto de datos de prueba fue del 100%. Los gradientes integrados mostraron que la NN identificó los coágulos. Se necesita una validación adicional en el campo a través de la integración en AMS, pero el método de aprendizaje profundo propuesto es muy prometedor para la detección en línea de la CM en granjas de AMS.