La détection d’anomalies dans les images constitue une étape cruciale dans les systèmes d’inspection visuelle automatisée des systèmes de fabrication intelligents. La grande diversité des anomalies présentes dans les images — notamment en termes de taille, de forme et de couleur — rend cette tâche particulièrement complexe. Bien que les travaux antérieurs aient permis des avancées significatives dans le domaine de la détection d’anomalies visuelles, des limites subsistent en matière de performance et d’efficacité. Dans cet article, nous proposons une nouvelle méthode, appelée Position Encoding enhanced Feature Mapping (PEFM), pour améliorer la détection d’anomalies dans les images, en exploitant une cartographie de paires de caractéristiques pré-entraînées enrichies par des encodages de position. Les résultats expérimentaux montrent que la méthode PEFM atteint des performances supérieures et une meilleure efficacité par rapport aux approches les plus récentes sur le jeu de données MVTec AD, avec un AUCROC de 98,30 % et un AUCPRO de 95,52 %. De plus, elle obtient un AUCPRO de 94,0 % sur le jeu de données MVTec 3D AD.