La détection des anomalies industrielles est essentielle pour le contrôle qualité et la maintenance prédictive, mais elle soulève des défis en raison de données d'entraînement limitées, de la diversité des types d'anomalies et de facteurs externes modifiant l'apparence des objets. Les méthodes existantes détectent couramment les anomalies structurelles, telles que les éraflures ou les bosses, en exploitant des caractéristiques multi-échelles extraites à partir de patches d'images via des réseaux profonds pré-entraînés. Toutefois, les exigences importantes en mémoire et en calcul limitent souvent leur application pratique. En outre, la détection des anomalies logiques — par exemple, des images présentant des éléments manquants ou en excès — nécessite une compréhension des relations spatiales que les méthodes basées sur des patches traditionnelles ne parviennent pas à capturer. Dans ce travail, nous surmontons ces limitations en nous concentrant sur la Reconstruction de Fonctionnalités Profondes (DFR), une approche efficace en mémoire et en calcul pour la détection des anomalies structurelles. Nous améliorons ensuite DFR en un cadre unifié, appelé ULSAD, capable de détecter à la fois les anomalies structurelles et logiques. Plus précisément, nous affinons l'objectif d'entraînement de DFR afin d'améliorer les performances dans la détection des anomalies structurelles, tout en introduisant un mécanisme de perte basé sur l'attention à l'aide d'un réseau global de type autoencodeur pour traiter la détection des anomalies logiques. Notre évaluation expérimentale sur cinq jeux de données de référence démontre la performance de ULSAD dans la détection et la localisation des anomalies structurelles et logiques, surpassant huit méthodes de pointe. Une étude ablation approfondie met également en évidence la contribution de chaque composant à l'amélioration globale des performances. Notre code est disponible à l'adresse suivante : https://github.com/sukanyapatra1997/ULSAD-2024.git