ضمن الإطار شبه المُراقب، نقترح شبكة تجزئة قائمة على الذاكرة ومتعددة المراحل (MemSeg) للكشف عن العيوب السطحية في المنتجات الصناعية. وبما أن التباين الداخلي بين المنتجات في نفس الخط الإنتاجي يكون صغيرًا، فإن MemSeg، من منظور الفروق والتشابهات، تُدخل عينات غير طبيعية مُحاكاة صناعيًا وعينات ذاكرة لمساعدة الشبكة على التعلم. خلال مرحلة التدريب، تتعلم MemSeg بشكل صريح الفروق المحتملة بين الصور الطبيعية والصور غير الطبيعية المُحاكاة، بهدف الحصول على مستوى تصنيف قوي. وفي الوقت نفسه، مستوحاة من آلية الذاكرة البشرية، تستخدم MemSeg حوض ذاكرة لتخزين الأنماط العامة للعينات الطبيعية. وبمقارنة التشابهات والاختلافات بين العينات المدخلة وعينات الذاكرة المخزنة في حوض الذاكرة، تُقدِّم توقعات فعّالة حول المناطق غير الطبيعية. أما في مرحلة الاستنتاج، فإن MemSeg تحدد مناطق العيب في الصورة المدخلة بطريقة مباشرة ومتعددة المراحل. من خلال التحقق التجريبي، حققت MemSeg أداءً متميزًا (SOTA) على مجموعات بيانات MVTec AD، حيث بلغت معدلات AUC 99.56% و98.84% على التوالي في التقييم على مستوى الصورة وعلى مستوى البكسل. علاوة على ذلك، تتمتع MemSeg بميزة واضحة في سرعة الاستنتاج بفضل هيكلها الشبكي المباشر والبسيط متعدد المراحل، مما يجعلها أكثر ملاءمة لمتطلبات الزمن الحقيقي في السياقات الصناعية.