أظهرت الشبكات العصبية ذات المرحلتين القائمة على التجزئة نتائج ممتازة في كشف العيوب السطحية، مما يمكّن الشبكة من التعلم من عدد نسخ محدود نسبيًا. في هذا العمل، نقدّم تدريبًا من الطرف إلى الطرف للشبكة ذات المرحلتين مع عدة تحسينات في عملية التدريب، والتي تقلل من مدة التدريب وتحسّن النتائج في مهام كشف العيوب السطحية. لتمكين التدريب من الطرف إلى الطرف، نوازن بعناية مساهمة كل من خسارة التجزئة وخسارة التصنيف خلال عملية التعلم. كما نقوم بتعديل تدفق التدرج من التصنيف إلى الشبكة الخاصة بالتجزئة لمنع التمثيلات غير المستقرة من التأثير سلبًا على عملية التعلم. كتحسين إضافي للتعلم، نقترح خطة اختيار العينات السلبية بناءً على تكرار استخدامها، لمعالجة مشكلة التكرار الزائد أو الناقص للصور أثناء التدريب، وفي الوقت نفسه نستخدم خوارزمية التحويل الهندسي على أقنعة التجزئة القائمة على المناطق كأوزان للبكسلات الموجبة، مما يمنح أولوية أكبر للمناطق ذات الاحتمال الأعلى لوجود عيب، دون الحاجة إلى تسمية مفصلة. نُظهر أداءً للخطة المدربة من الطرف إلى الطرف والتحسينات المقترحة على ثلاث مجموعات بيانات للكشف عن العيوب - DAGM و KolektorSDD و Severstal Steel defect dataset - حيث نُظهر نتائج من المستوى الرائد عالميًا. على مجموعتي DAGM و KolektorSDD، نُظهر معدل كشف بنسبة 100٪، مما يعني حلًا كاملًا للمجموعتين. كما أجرينا دراسة تحليلية إضافية على جميع المجموعات الثلاث، والتي أثبتت بشكل كمي المساهمة الفعلية لكل تحسين مقترح في تحسين النتائج العامة.