إن الكشف عن الشذوذ الصناعي يُعد أمرًا بالغ الأهمية للتحكم في الجودة والصيانة التنبؤية، لكنه يواجه تحديات ناتجة عن قلة بيانات التدريب، وتعدد أنواع الشذوذ، والعوامل الخارجية التي تؤثر على مظهر الكائنات. تُستخدم الطرق الحالية عادةً للكشف عن الشذوذ الهيكلي، مثل الخدوش والبقع، من خلال استغلال الخصائص متعددة المقياس المستمدة من قطع الصور المستخلصة عبر شبكات عميقة مُدرَّبة مسبقًا. ومع ذلك، فإن المتطلبات العالية من الذاكرة والحساب غالبًا ما تحد من تطبيقاتها العملية. علاوةً على ذلك، يتطلب الكشف عن الشذوذ المنطقي—مثل الصور الناقصة أو الزائدة في عناصرها—فهمًا للعلاقات المكانية، وهو ما تفشل فيه الطرق التقليدية القائمة على القطع. في هذا العمل، نعالج هذه القيود من خلال التركيز على إعادة بناء الميزات العميقة (DFR)، وهي طريقة فعّالة من حيث الذاكرة والحساب للكشف عن الشذوذ الهيكلي. ونُعزز DFR لتصبح إطارًا موحدًا يُسمى ULSAD، قادرًا على اكتشاف كل من الشذوذ الهيكلي والمنطقي. وبشكل خاص، نُحسّن هدف تدريب DFR لتعزيز الأداء في الكشف عن الشذوذ الهيكلي، مع تقديم آلية خسارة تعتمد على الانتباه باستخدام شبكة مشابهة لشبكة الترميز التلقائي العالمية لمعالجة الكشف عن الشذوذ المنطقي. تُظهر تقييماتنا التجريبية على خمسة مجموعات بيانات معيارية أداء ULSAD في الكشف عن الشذوذ الهيكلي والمنطقي وتحديد مواقعها، حيث يتفوّق على ثمانية طرق حديثة متقدمة. كما تُبرز دراسة التحليل المعمّقة المكونات المختلفة ومساهمتها في تحسين الأداء الكلي. يُتاح كودنا على الرابط: https://github.com/sukanyapatra1997/ULSAD-2024.git