Las lesiones en los hombros surgen predominantemente en cerdas reproductoras y a menudo resultan en un sacrificio prematuro. Las tasas de prevalencia reportadas varían significativamente, oscilando entre el 5% y el 50% dependiendo del tipo de suelo de la jaula en la granja, la condición corporal del animal o una lesión existente que causa cojera. Estas lesiones representan no solo una preocupación por el bienestar, sino que también tienen un impacto económico debido al trabajo necesario para el tratamiento y la medicación. El objetivo de este estudio fue evaluar el uso de técnicas de visión por computadora para detectar y determinar el tamaño de las lesiones en los hombros. Una cámara Microsoft Kinect V2 capturó imágenes de profundidad y RGB desde arriba de cerdas en jaulas de parto. Las imágenes RGB se recopilaron a una resolución de 1920 x 1080. Para asegurar la mejor vista de las lesiones, se seleccionaron imágenes con cerdas acostadas sobre sus lados derecho e izquierdo con todas las patas extendidas. Se identificaron y anotaron un total de 824 imágenes RGB de 70 cerdas con lesiones en varias etapas de desarrollo. Se implementaron tres modelos de detección de objetos basados en aprendizaje profundo, YOLOv5, YOLOv8 y Faster-RCNN, preentrenados con los conjuntos de datos COCO e ImageNet, para localizar el área de la lesión. YOLOv5 fue el mejor predictor, ya que pudo detectar lesiones con un mAP@0.5 de 0.92. Para estimar el área de la lesión, se llevó a cabo la segmentación de píxeles de la lesión en la región localizada utilizando técnicas tradicionales de procesamiento de imágenes como la binarización de Otsu y el umbral adaptativo junto con modelos de segmentación basados en DL basados en la arquitectura U-Net. En conclusión, este estudio demuestra el potencial de las técnicas de visión por computadora para detectar y evaluar efectivamente el tamaño de las lesiones en los hombros de cerdas reproductoras, proporcionando una vía prometedora para mejorar el bienestar de las cerdas y reducir las pérdidas económicas.