La détection des anomalies de surface dans les matériaux industriels constitue un défi majeur au sein d’un grand nombre de processus de fabrication. Ces dernières années, diverses méthodologies ont émergé, exploitant les avantages offerts par l’utilisation d’un réseau pré-entraîné sur des images naturelles pour extraire des caractéristiques représentatives. Ces caractéristiques sont ensuite traitées à l’aide de différentes techniques, telles que les mémoires associatives, les flux de normalisation ou la distillation de connaissances, qui se sont révélées particulièrement précises. Ce papier revisite les approches fondées sur des caractéristiques pré-entraînées en introduisant une nouvelle méthode centrée sur un embedding spécifique à la cible. Afin de capturer les caractéristiques les plus représentatives de la texture étudiée, nous utilisons une variante d’un procédé d’entraînement contrastif qui intègre à la fois des échantillons artificiellement déficients et des échantillons sans défaut durant l’entraînement. En exploitant les propriétés intrinsèques des surfaces, nous obtenons une représentation significative à partir des échantillons sains pendant l’entraînement, permettant un calcul simple mais efficace des scores d’anomalie. Les expériences menées sur les jeux de données MVTEC AD et TILDA démontrent la compétitivité de notre approche par rapport aux méthodes de pointe.