Este trabajo trata sobre el desarrollo de una herramienta de aprendizaje automático para detectar anomalías en la estructura molecular del Arseniuro de Galio. Empleamos una combinación de una CNN y una reconstrucción de PCA para crear el modelo, utilizando imágenes reales tomadas con un microscopio electrónico en el entrenamiento y pruebas. La metodología desarrollada permite la creación de un modelo de detección de defectos, sin necesidad de imágenes etiquetadas de defectos para el entrenamiento. El modelo tuvo un buen rendimiento en todas las pruebas bajo las suposiciones establecidas, permitiendo una detección confiable de anomalías. Hasta donde sabemos, tales métodos no están actualmente disponibles en la literatura abierta; por lo tanto, este trabajo cubre una brecha en las capacidades actuales.