La détection d’anomalies industrielles (IAD) est essentielle pour automatiser les inspections de qualité en milieu industriel. La diversité des jeux de données constitue la base fondamentale du développement d’algorithmes d’IAD complets. Les jeux de données existants se concentrent principalement sur la diversité des catégories de données, tout en ignorant la diversité des domaines au sein d’une même catégorie. Dans ce travail, afin de combler cette lacune, nous proposons le jeu de données Aero-engine Blade Anomaly Detection (AeBAD), composé de deux sous-jeux : un jeu de données à single blade et un jeu de données de détection d’anomalies dans des vidéos de pales. Par rapport aux jeux de données existants, AeBAD présente deux caractéristiques principales : 1) les échantillons cibles ne sont pas alignés et sont à des échelles différentes ; 2) il existe un décalage de domaine entre la distribution des échantillons normaux dans l’ensemble de test et celui d’entraînement, ce décalage étant principalement dû aux variations d’éclairage et de perspective. À partir de ce jeu de données, nous observons que les méthodes d’IAD les plus avancées actuelles (SOTA) présentent des limites lorsque le domaine des échantillons normaux dans l’ensemble de test subit un décalage. Pour remédier à ce problème, nous proposons une nouvelle méthode appelée reconstruction multi-échelle masquée (MMR), qui améliore la capacité du modèle à inférer des relations causales entre les patches des échantillons normaux grâce à une tâche de reconstruction masquée. MMR obtient des performances supérieures à celles des méthodes SOTA sur le jeu de données AeBAD. De plus, MMR atteint des performances compétitives avec les méthodes SOTA pour la détection d’anomalies de divers types sur le jeu de données MVTec AD. Le code et le jeu de données sont disponibles à l’adresse suivante : https://github.com/zhangzilongc/MMR.