تُجري هذه الدراسة تقييمًا لأداء نماذج كشف الشذوذ المقاومة في عمليات الفحص الصناعي، مع التركيز بشكل خاص على قدرتها على التعامل مع البيانات المضطربة. نقترح استغلال قدرة نماذج التعلم المتعدد (Meta Learning) على التكيّف من أجل تحديد ورفض بيانات التدريب المضطربة، بهدف تحسين عملية التعلم. في نموذجنا، نستخدم التعلم المتنقل النموذجي (Model Agnostic Meta Learning - MAML) وعملية تحسين تكرارية تعتمد على معيار رفض النطاق الربيعي (Inter-Quartile Range)، بهدف تعزيز قابلية التكيّف والثبات لدى النموذج. يُحسّن هذا النهج بشكل كبير قدرة النماذج على التمييز بين الحالات الطبيعية والمعيوبة. وتُظهر نتائج التجارب التي أجريت على مجموعتي بيانات شهيرتين هما MVTec وKSDD2 أن الطريقة المقترحة لا تتفوّق فقط في البيئات ذات الضوضاء العالية، بل يمكنها أيضًا أن تُسهم بشكل فعّال في حال توفر مجموعة تدريب واضحة، من خلال عزل العينات التي تقع خارج التوزيع المتوقع، مما يوفر تحسينات كبيرة مقارنة بالنماذج التقليدية.