كشف العيوب السطحية في المواد الصناعية يمثل تحديًا كبيرًا في عدد كبير من العمليات التصنيعية الصناعية. في الآونة الأخيرة، ظهرت طرق مختلفة تستفيد من مزايا استخدام شبكة مُدرّبة مسبقًا على الصور الطبيعية لاستخراج ميزات تمثيلية. ثم تُخضع هذه الميزات لمعالجة عبر مجموعة متنوعة من التقنيات، بما في ذلك بنوك الذاكرة، والتدفق الطبيعي، وتقنية نقل المعرفة، والتي أظهرت دقة استثنائية. في هذا البحث، نعيد النظر في الأساليب القائمة على الميزات المُدرّبة مسبقًا من خلال تقديم طريقة جديدة ترتكز على التضمين المخصص للهدف. لاستخلاص أكثر الميزات تمثيلاً للنسيج المُدرَس، نستخدم نسخة معدلة من إجراء التدريب التبايني الذي يشمل عينات مُصطنعة ذات عيوب وعينات خالية من العيوب أثناء التدريب. وباستغلال الخصائص الطبيعية للسطوح، استخلصنا تمثيلًا معناهًا من العينات الخالية من العيوب أثناء التدريب، مما يُسهّل حسابًا مباشرًا وفعّالًا لدرجات العيب. وأظهرت التجارب التي أُجريت على مجموعتي بيانات MVTEC AD وTILDA تفوق أسلوبنا مقارنةً بالأساليب الرائدة في مجالها.