يُعد الكشف عن العيوب في الصور الصناعية في إطار التصنيف من فئة واحدة له قيمة عملية كبيرة. ومع ذلك، يواجه معظم النماذج الحالية صعوبات في استخلاص تمثيلات مميزة للسمات عند إجراء التضمين الوظيفي، كما يعانيون من صعوبة في بناء وصفات مكثفة للسمات الطبيعية عند تنفيذ التصنيف من فئة واحدة. ونتيجة مباشرة لذلك، تؤدي معظم النماذج إلى أداء ضعيف في اكتشاف العيوب المنطقية التي تنتهك العلاقات السياقية. مع التركيز على تطوير كشف عن العيوب أكثر فعالية وشمولية، نقترح شبكة قائمة على التعلم الذاتي والانحدار الرسومي ذات الانتباه الذاتي (SLSG) للكشف عن العيوب. تستخدم SLSG شبكة تدريب مولدة لمساعدة المشفر على تعلم تضمين الأنماط الطبيعية واستنتاج العلاقات المكانية. ثم، تقوم SLSG بإدخال معرفة وهمية عن العيوب من خلال عينات مُحاكاة للعيوب. وبمقارنة هذه العيوب المُحاكاة، يمكن لـ SLSG تلخيص السمات الطبيعية بشكل أفضل وتقليل حجم الفضاء الفائق المستخدم في التصنيف من فئة واحدة. بالإضافة إلى ذلك، وبفضل بناء هيكل رسم بياني أكثر شمولاً، تقوم SLSG بتمثيل شامل للعلاقات الكثيفة والنادرة بين عناصر الصورة، مما يعزز بشكل أكبر كشف العيوب المنطقية. تُظهر التجارب الواسعة على مجموعات بيانات معيارية أداءً متفوقًا في الكشف عن العيوب، مما يُثبت فعالية الطريقة المُقترحة.