Um die Leistung der logischen Anomalieerkennung zu verbessern, haben einige vorherige Arbeiten Segmentierungstechniken mit herkömmlichen Anomalieerkennungsmethoden kombiniert. Obwohl diese Ansätze wirksam sind, führen sie häufig zu unbefriedigenden Segmentierungsergebnissen und erfordern manuelle Annotationen. Um diese Nachteile zu beheben, entwickeln wir eine unsupervisierte Komponenten-Segmentierungstechnik, die Fundamentalmuster nutzt, um ohne menschliche Beschriftung automatisch Trainingslabels für ein leichtgewichtiges Segmentierungsnetzwerk zu generieren. Durch die Integration dieser neuen Segmentierungstechnik mit unserem vorgeschlagenen Patch-Histogramm-Modul und dem Local-Global Student-Teacher (LGST)-Modul erreichen wir auf dem MVTec LOCO AD-Datensatz eine Erkennungs-AUROC von 95,3 %, was die bisherigen State-of-the-Art-Methoden übertrifft. Zudem weist unsere Methode im Vergleich zu den meisten bestehenden Ansätzen eine geringere Latenz und höhere Durchsatzleistung auf.