Este estudio propone un enfoque novedoso que utiliza Redes Neuronales Convolucionales (CNN) y Máquinas de Soporte Vectorial (SVM) para abordar un desafío crítico: detectar defectos en productos de película envuelta. Con su delicada y reflectante película enrollada alrededor de un material base, estos productos presentan obstáculos formidables para los sistemas de inspección visual convencionales. La compleja tarea de identificar defectos, como áreas desenrolladas o salientes, sigue siendo un esfuerzo desalentador. A pesar del poder de los sistemas comerciales de reconocimiento de imágenes, tienen dificultades para capturar anomalías dentro de los productos de película envuelta. Nuestra metodología de investigación logró una precisión del 90% en la detección de defectos, estableciendo su importancia práctica en comparación con los métodos existentes. Introducimos una metodología pionera centrada en vectores de covarianza extraídos de variables latentes, un producto de un Autoencoder Variacional (VAE). Estos vectores de covarianza sirven como vectores de características para entrenar un SVM de Una Clase (OCSVM) especializado, un componente clave de nuestro enfoque. A diferencia de las prácticas convencionales, nuestro OCSVM no requiere imágenes que contengan defectos para el entrenamiento; utiliza imágenes libres de defectos, eludiendo así el desafío de adquirir suficientes muestras de defectos. Comparamos nuestra metodología con vectores de características derivados de las capas completamente conectadas de modelos CNN establecidos, AlexNet y VGG19, ofreciendo una perspectiva de referencia integral. Nuestra investigación representa un avance significativo en la tecnología de detección de defectos. Al aprovechar los vectores de covarianza de variables latentes de un codificador VAE, nuestro enfoque proporciona una solución única a los desafíos enfrentados por los sistemas comerciales de reconocimiento de imágenes. Estos avances en nuestro estudio tienen el potencial de revolucionar los mecanismos de control de calidad dentro de las industrias manufactureras, ofreciendo un futuro más brillante para la integridad del producto y la satisfacción del cliente.