Pour améliorer la détection d’anomalies logiques, certaines études antérieures ont intégré des techniques de segmentation aux méthodes classiques de détection d’anomalies. Bien que ces approches soient efficaces, elles entraînent fréquemment des résultats de segmentation insatisfaisants et nécessitent des annotations manuelles. Pour surmonter ces limitations, nous proposons une technique non supervisée de segmentation par composants, qui exploite des modèles fondamentaux pour générer automatiquement des étiquettes d’apprentissage destinées à un réseau de segmentation léger, sans intervention humaine. En intégrant cette nouvelle technique de segmentation avec notre module de histogramme de patches et le module étudiant-enseignant local-global (LGST), nous atteignons un score AUROC de détection de 95,3 % sur le jeu de données MVTec LOCO AD, dépassant ainsi les méthodes de l’état de l’art précédentes. En outre, notre approche offre une latence plus faible et un débit plus élevé que la plupart des méthodes existantes.