Dans le cadre d’un apprentissage semi-supervisé, nous proposons un réseau d’analyse par segmentation basé sur la mémoire et entièrement end-to-end, appelé MemSeg, pour détecter les défauts de surface sur les produits industriels. Étant donné la faible variance intra-classe des produits provenant d’une même ligne de production, MemSeg, du point de vue des différences et des similarités, introduit des échantillons anormaux artificiellement simulés ainsi que des échantillons de mémoire afin d’assister l’apprentissage du réseau. Pendant la phase d’entraînement, MemSeg apprend explicitement les différences potentielles entre les images normales et les images anormales simulées, afin d’obtenir un hyperplan de classification robuste. Par ailleurs, inspiré du mécanisme de mémoire humaine, MemSeg utilise un pool de mémoire pour stocker les motifs généraux des échantillons normaux. En comparant les similitudes et différences entre les échantillons d’entrée et les échantillons de mémoire stockés, MemSeg émet des prédictions efficaces concernant les régions anormales. Pendant la phase d’inférence, MemSeg détermine directement les régions anormales de l’image d’entrée de manière entièrement end-to-end. Des validations expérimentales montrent que MemSeg atteint des performances de pointe (SOTA) sur les jeux de données MVTec AD, avec des scores AUC respectivement de 99,56 % au niveau image et de 98,84 % au niveau pixel. En outre, MemSeg présente un avantage significatif en vitesse d’inférence, grâce à sa structure de réseau simple et entièrement end-to-end, ce qui le rend particulièrement adapté aux exigences en temps réel des scénarios industriels.