En el campo de la detección de defectos en superficies de turbinas eólicas, la mayoría de los algoritmos de detección de defectos existentes tienen una solución única con una mala generalización ante el dilema de muestras de defectos insuficientes y una precisión insatisfactoria para defectos pequeños y ocultos. Inspirados en la ideología del meta-aprendizaje, ideamos una estrategia de entrenamiento entre tareas. Al explorar las propiedades comunes entre tareas, el espacio de hipótesis se reduce, de modo que el tamaño de muestra necesario que satisface un minimizador de riesgo empírico confiable se reduce. Para mejorar la eficiencia del entrenamiento, se diseñó un método de clasificación basado en métricas de profundidad para encontrar un espacio de características que coincidan con una buena medida de similitud mediante la distancia coseno. Además, se añade de manera innovadora una sesión de retroalimentación en tiempo real al bucle de entrenamiento del modelo, que realiza una mejora y filtrado de información de acuerdo con la relevancia de la tarea. Con el mapeo de activación dinámica, se alivia la pérdida de información durante las operaciones de agrupamiento tradicionales, ayudando así a evitar la detección fallida de objetivos a pequeña escala. Los resultados experimentales muestran que el método propuesto ha mejorado significativamente la capacidad de reconocimiento de defectos en condiciones de entrenamiento con pocas muestras.