Die detektion von Oberflächenfehlern basierend auf Vision wurde bereits lange in der Automatisierung von Magnettiles vermutet. In dieser Arbeit stellen wir ein Echtzeit- und mehrmodulares neuronales Netzwerkmodell namens MCuePush U-Net vor, das speziell für die Bild-Saliency-Detektion von Magnettiles entwickelt wurde. Wir zeigen, dass das Modell die derzeitigen State-of-the-Art-Methoden übertrifft, indem es mehrere Oberflächenfehler effektiv und explizit aus niedrigkontrastigen Bildern abbildet. Unser Modell reduziert die Verarbeitungszeit der Maschinen von 0,5 s pro Bild auf 0,07 s und verbessert signifikant die Genauigkeit der Saliency-Detektion bei der Erkennung von Oberflächenfehlern.