تشخیص ناهنجاری و عیب در قطعات صنعتی یکی از مسائل حیاتی در بهبود کیفیت تولید و کاهش هزینه‌های ناشی از محصولات معیوب محسوب می‌شود. با توجه به پیچیدگی بافت‌ها و تنوع شکل قطعات، روش‌های سنتی مبتنی بر پردازش تصویر یا قوانین دستی قادر به شناسایی دقیق ناهنجاری‌ها نبودند و نیاز به یک چارچوب هوشمند و خودکار با توانایی استخراج ویژگی‌های پیچیده احساس می‌شد. اهمیت این مسئله در محیط‌های صنعتی واقعی، جایی که کوچک‌ترین نقص می‌تواند منجر به آسیب محصول و افزایش هزینه شود، بسیار چشمگیر است. در این مطالعه، یک روش ترکیبی مبتنی بر شبکه‌های عصبی عمیق ResNet و Xception برای استخراج ویژگی‌های سطح بالا و جزئی، الگوریتم MRMR برای انتخاب ویژگی بهینه و الگوریتم KNN برای طبقه‌بندی و تشخیص نهایی ارائه شده است. این چارچوب توانسته ویژگی‌های متمایز قطعات صنعتی را با دقت بالا استخراج کرده و نمونه‌های سالم و معیوب را به صورت مؤثر از یکدیگر تفکیک کند. میانگین AUC کلی روش پیشنهادی بر روی پانزده محصول مختلف، بر اساس پایگاه داده MVTecAD، برابر 97.51 درصد گزارش شده است که نشان‌دهنده عملکرد پایدار و قابل اعتماد مدل در محیط‌های صنعتی واقعی می‌باشد.
