Cette étude explore les performances des modèles robustes de détection d’anomalies dans le cadre de l’inspection industrielle, en mettant particulièrement l’accent sur leur capacité à gérer des données bruitées. Nous proposons d’exploiter la capacité d’adaptation des approches d’apprentissage métacognitif afin d’identifier et de rejeter les données d’entraînement bruyantes, dans le but d’améliorer le processus d’apprentissage. Dans notre modèle, nous utilisons l’apprentissage métacognitif indépendant du modèle (MAML) combiné à un processus itératif de raffinement basé sur un critère de rejet par intervalle interquartile (IQR), afin d’accroître leur adaptabilité et leur robustesse. Cette approche améliore significativement la capacité des modèles à distinguer entre des conditions normales et des défauts. Les résultats expérimentaux obtenus sur les jeux de données bien connus MVTec et KSDD2 démontrent que la méthode proposée excelle non seulement dans des environnements fortement bruyants, mais peut également apporter des améliorations significatives même lorsque le jeu d’entraînement est clair, en isolant les échantillons relativement hors distribution, offrant ainsi des performances nettement supérieures aux modèles traditionnels.