En la industria alimentaria, garantizar la calidad del producto es crucial debido a los posibles peligros para los consumidores. Aunque los contaminantes metálicos son fácilmente detectados, identificar los no metálicos como madera, plástico o vidrio sigue siendo un desafío y plantea riesgos para la salud. Los sistemas de control de calidad basados en rayos X ofrecen una inspección más profunda del producto que las cámaras RGB, lo que los hace adecuados para detectar varios contaminantes. Sin embargo, adquirir suficientes muestras defectuosas para la clasificación es costoso y consume mucho tiempo. Para abordar esto, proponemos un sistema de detección de anomalías que solo requiere muestras no defectuosas, clasificando automáticamente como defectuoso cualquier cosa que no se reconozca como buena. Nuestro sistema, que emplea aprendizaje activo en imágenes de rayos X, detecta eficientemente defectos como fragmentos de vidrio en productos alimenticios. Al ajustar un extractor de características y un autoencoder basados en muestras no defectuosas, nuestro método mejora la precisión de la clasificación al tiempo que minimiza la necesidad de intervención manual con el tiempo. El sistema logra una tasa de detección del 97.4% para cuerpos extraños de vidrio en frascos de vidrio, ofreciendo una solución rápida y efectiva para el control de calidad en tiempo real en las líneas de producción.