Este documento aborda los desafíos de la detección de anomalías en componentes industriales proponiendo un enfoque de aprendizaje profundo en dos etapas que combina la segmentación semántica y la destilación de conocimiento. Los métodos tradicionales, como la inspección manual y la visión por computadora, enfrentan limitaciones en eficiencia y precisión al tratar con defectos complejos. Para superar estos problemas, primero introducimos un modelo de segmentación semántica de muestra pequeña basado en una arquitectura U-Net, mejorado con un Módulo de Atención Multi-Escala Adaptativa (AMAM) y mecanismos de atención de puerta para mejorar la detección de bordes y la extracción de características a múltiples escalas. La segunda etapa emplea un modelo de detección de anomalías basado en la destilación de conocimiento, donde una red docente preentrenada (WideResNet50) extrae características, y una red estudiante las reconstruye, con diferencias que indican anomalías. Un módulo de agregación de características basado en Transformer refina aún más el proceso. Los experimentos en el conjunto de datos MVTec demuestran un rendimiento superior, con el modelo de segmentación alcanzando un 96.4% de mIoU y el modelo de detección de anomalías logrando un 98.3% de AUC, superando los métodos de última generación. Bajo un régimen de muestra extremadamente pequeña de apenas 27 imágenes de entrenamiento, el modelo propuesto aún alcanza un mIoU que supera el 94%. El enfoque en dos etapas mejora significativamente la precisión de detección al reducir la interferencia de fondo y centrarse en defectos localizados. Este trabajo contribuye al control de calidad industrial al mejorar la eficiencia, reducir los falsos positivos y adaptarse a datos anotados limitados.