Unter dem semi-supervisierten Rahmen stellen wir ein end-to-end-gestütztes, speicherbasiertes Segmentierungsnetzwerk (MemSeg) zur Detektion von Oberflächenfehlern industrieller Produkte vor. Angesichts der geringen intra-klassischen Varianz der Produkte derselben Produktionslinie berücksichtigen wir aus Sicht von Unterschieden und Gemeinsamkeiten die Einführung künstlich simulierter abnormaler Proben sowie Speicherproben zur Unterstützung des Lernprozesses des Netzwerks. Im Trainingsphase lernt MemSeg explizit die potenziellen Unterschiede zwischen normalen und simuliert abnormalen Bildern, um eine robuste Klassifikations-Hyperebene zu ermitteln. Gleichzeitig wird durch die Inspiration am menschlichen Gedächtnismechanismus ein Speicherpool genutzt, um allgemeine Muster normaler Proben zu speichern. Durch den Vergleich von Ähnlichkeiten und Unterschieden zwischen den Eingabeproben und den Speicherproben im Speicherpool werden effektive Schätzungen zu abnormalen Regionen abgegeben. Im Inferenzphase bestimmt MemSeg direkt und end-to-end die abnormalen Regionen des Eingabebildes. Durch experimentelle Validierung erreicht MemSeg eine state-of-the-art (SOTA)-Leistung auf den MVTec AD-Datensätzen mit AUC-Werten von 99,56 % und 98,84 % auf Bild- und Pixel-Ebene, jeweils. Zudem zeichnet sich MemSeg durch eine erhebliche Vorteil in der Inferenzgeschwindigkeit aus, die durch die end-to-end-orientierte und unkomplizierte Netzwerkstruktur ermöglicht wird und somit besser den Anforderungen an Echtzeitverarbeitung in industriellen Szenarien entspricht.