El uso de técnicas de inteligencia artificial junto con técnicas avanzadas de visión por computadora ofrece un gran potencial para evaluaciones de salud no invasivas en la industria avícola. Evaluar la condición de las aves de corral mediante el monitoreo de sus excrementos puede ser muy valioso, ya que cambios significativos en la consistencia y el color pueden ser indicadores de enfermedades graves e infecciosas. Mientras que la mayoría de los estudios han priorizado la clasificación de los excrementos en dos categorías (normales y anormales), con algunos estudios relevantes que abordan hasta cinco categorías, esta investigación da un paso más al emplear algoritmos de procesamiento de imágenes para categorizar los excrementos en seis clases, basándose en información visual que indica algún nivel de anormalidad. Para asegurar un conjunto de datos diverso, se recopilaron datos en tres granjas avícolas diferentes en Lituania, capturando excrementos en diferentes tipos de cama. Con la implementación de aprendizaje profundo, la tasa de detección de objetos alcanzó una precisión del 92.41%. Se han explorado una variedad de algoritmos de aprendizaje automático, incluyendo diferentes arquitecturas de aprendizaje profundo, y, basándonos en los resultados obtenidos, hemos propuesto una solución integral combinando diferentes modelos para fines de segmentación y clasificación. Los resultados revelaron que la tarea de segmentación logró la mayor precisión de 0.88 en términos del coeficiente de Dice empleando el algoritmo K-means. Mientras tanto, YOLOv5 demostró la mayor precisión de clasificación, alcanzando un ACC del 91.78%.