Die industrielle Anomalieerkennung (IAD) ist entscheidend für die Automatisierung der industriellen Qualitätsprüfung. Die Vielfalt der Datensätze bildet die Grundlage für die Entwicklung umfassender IAD-Algorithmen. Bisherige IAD-Datensätze konzentrieren sich auf die Vielfalt der Datensorten, während sie die Diversität der Domänen innerhalb derselben Datensorte vernachlässigen. In diesem Artikel schlagen wir daher den Aero-Engine Blade Anomaly Detection (AeBAD)-Datensatz vor, bestehend aus zwei Unterdatsätzen: dem Single-Blade-Datensatz und dem Video-Anomalieerkennungs-Datensatz für Blätter. Im Vergleich zu bestehenden Datensätzen weist AeBAD zwei zentrale Eigenschaften auf: 1.) Die Zielobjekte sind nicht ausgerichtet und weisen unterschiedliche Skalen auf. 2.) Es besteht ein Domänenversatz zwischen der Verteilung der normalen Proben im Testset und dem Trainingsset, wobei die Domänenverschiebungen hauptsächlich durch Änderungen der Beleuchtung und Perspektive verursacht werden. Auf Basis dieses Datensatzes stellen wir fest, dass aktuelle State-of-the-Art (SOTA)-Methoden zur IAD an ihre Grenzen stoßen, wenn die Domäne der normalen Proben im Testset verschoben ist. Um dieses Problem zu lösen, präsentieren wir eine neue Methode namens masked multi-scale reconstruction (MMR), die die Fähigkeit des Modells zur Ableitung kausaler Beziehungen zwischen Patchen normaler Proben durch eine maskierte Rekonstruktionsaufgabe verbessert. MMR erzielt gegenüber bestehenden SOTA-Methoden eine überlegene Leistung auf dem AeBAD-Datensatz. Zudem erzielt MMR wettbewerbsfähige Ergebnisse bei der Erkennung verschiedener Anomalietypen auf dem MVTec AD-Datensatz. Der Quellcode und der Datensatz sind unter https://github.com/zhangzilongc/MMR verfügbar.