Die Erkennung von Oberflächenanomalien industrieller Materialien stellt eine erhebliche Herausforderung innerhalb vieler industrieller Fertigungsprozesse dar. In jüngster Zeit sind verschiedene Methoden entwickelt worden, die die Vorteile eines Netzwerks nutzen, das auf natürlichen Bildern vortrainiert wurde, um repräsentative Merkmale zu extrahieren. Anschließend werden diese Merkmale mittels einer Vielzahl unterschiedlicher Techniken – darunter Memory-Banks, Normalisierungsflüsse und Knowledge Distillation – verarbeitet, die sich durch außergewöhnliche Genauigkeit auszeichnen. In dieser Arbeit greifen wir Ansätze basierend auf vortrainierten Merkmalen erneut auf, indem wir eine neuartige Methode vorstellen, die auf einer zielgerichteten Einbettung (target-specific embedding) beruht. Um die repräsentativsten Merkmale der jeweiligen Textur zu erfassen, verwenden wir eine Variante eines kontrastiven Trainingsverfahrens, das sowohl künstlich generierte fehlerhafte Proben als auch fehlerfreie Proben während des Trainings einbezieht. Ausnutzend die inhärenten Eigenschaften von Oberflächen leiten wir während des Trainings eine sinnvolle Darstellung aus den fehlerfreien Proben ab, was eine einfache und dennoch effektive Berechnung von Anomalie-Scores ermöglicht. Experimente auf den Datensätzen MVTEC AD und TILDA zeigen die Wettbewerbsfähigkeit unseres Ansatzes gegenüber aktuellen state-of-the-art-Methoden.