Cette étude présente le Processus d’Amélioration Itérative (Iterative Refinement Process, IRP), une méthodologie robuste de détection d’anomalies conçue pour des contrôles qualité industriels à enjeux élevés. L’IRP améliore la précision de la détection des défauts grâce à une stratégie itérative de révision des données, en éliminant de manière itérative les points de données trompeurs afin d’optimiser les performances et la robustesse du modèle. Nous validons l’efficacité de l’IRP à l’aide de deux jeux de données de référence, Kolektor SDD2 (KSDD2) et MVTec AD, couvrant une large gamme de produits industriels et de types de défauts. Nos résultats expérimentaux montrent que l’IRP surpasse de manière cohérente les modèles traditionnels de détection d’anomalies, notamment dans des environnements marqués par un fort niveau de bruit. Cette étude met en évidence le potentiel de l’IRP à améliorer significativement les processus de détection d’anomalies en milieu industriel, en gérant efficacement les défis posés par les données rares et bruitées.