L'inspection visuelle industrielle vise à détecter les défauts de surface dans les produits au cours du processus de fabrication. Bien que les modèles existants de détection d'anomalies aient montré des performances remarquables sur de nombreux benchmarks publics, leur faible adaptabilité et leur capacité limitée à détecter les anomalies logiques entravent leur utilisation plus large dans des contextes réels. Dans cet article, nous proposons un nouveau cadre de détection d'anomalies prenant en compte les composants (ComAD), capable de réaliser simultanément une détection d'anomalies ajustable et logique pour des scénarios industriels. Plus précisément, nous proposons de segmenter les images en plusieurs composants à l'aide d'un modèle de segmentation sémantique non supervisé léger et presque sans entraînement. Ensuite, nous concevons un modèle de détection d'anomalies logiques interprétable en modélisant les caractéristiques métrologiques de chaque composant et leurs relations. Malgré sa simplicité, notre cadre atteint des performances de pointe en matière de détection d'anomalies logiques au niveau des images. Parallèlement, la segmentation d'une image produit en plusieurs composants offre une nouvelle perspective pour l'inspection visuelle industrielle, montrant un grand potentiel en termes d'adaptation du modèle, de résistance au bruit et de classification des anomalies. Le code sera disponible sur https://github.com/liutongkun/ComAD.