随着工业物联网的迅速发展,传统的物联网技术在数据量较少的情况下经由传感器进行数据的采集、将数据传输到服务器进行数据分析和逻辑处理,能够比较好的存储、转发与处理生产过程中的关键数据。但是随着工业物联网的不断壮大,数据呈指数暴增,传统模式的服务器模型很难满足工业应用中的实时智能检测需求。传统计算方式是应用程序将数据传送到云计算中心,进入循环等待数据处理结果。在数据处理等待和传输过程中,需要增加一定的等待延迟。并且在数据传输过程中存在严重的数据安全隐患。多接入边缘计算（Multi-access Edge Computing,MEC）概念的提出可以有效解决这一问题,在靠近数据生产者的位置进行数据的处理和分析,减少对云服务器的服务请求,缩短整体系统的迟延。数据传输链路的缩短使得多接入边缘计算能够在数据产生侧快速高效的响应业务需求。在边缘侧进行数据的存储、处理和分析也可以提高用户的隐私保护程度。进而减少对不确定网络链路的依赖程度。将多接入边缘计算与传统工业相结合,完善新时代工业物联网产业。为了解决在工业转型升级过程中所面临的问题,多接入边缘计算能够与以云计算模型为核心的数据处理模式相协调,拓展云计算在边缘网络信息生产端的数据处理能力,完善工业转型升级。本文首先介绍了选题研究的背景与意义,介绍多接入边缘计算与深度学习相关技术在国内外的研究现状。其次重点介绍本文设计的缺陷检测算法是以Swin Transformer作为特征提取网络,级联多阈值检测结构作为深度学习表面缺陷检测算法的输出层。将Transformer结构应用于带钢表面缺陷检测领域,与单纯基于卷积网络的深度学习目标检测算法相比,能够达到更加精确的检测效果。在工业热轧带钢缺陷数据上相较于Yolov3、Yolo F、Deform Detr、SSD512和SSDLit等深度学习算法实现检测精度的提升。特别是在裂纹（Crazing,Cr）、夹杂（Inclusion,In）、斑块（Patches,Pa）、麻点（Pitted Surface,PS）、压入氧化铁皮（Rolled-in Scale,RS）、以及划痕（Scratches,Sc）等表面缺陷检测中训练速度和检测精度都有显著的提升,漏检率显著降低。算法能够实现满足工业物联网应用对于缺陷检测精度的要求。进而重点介绍在工业热轧带钢应用场景下将多接入边缘计算、物联网和深度学习算法等技术进行拓展应用。通过分布式微服务框架Edge X Foundry在容器中的部署,为热轧带钢表面微小缺陷检测算法的设计与应用提供工业边缘检测系统环境。搭建边缘侧视频服务器作为算法推理中心,将底层获取的视频图像在此进行缺陷检测推理功能的实现,将推理结果下发到底层设备侧进行及时的响应。算法推理模块部署在边缘视频服务器侧,视频服务器将视频数据传输到上层云服务器进行算法模型的训练,训练后的算法推理模型部署到边缘侧视频服务器进行实际的推理执行。基于多接入边缘计算的金属表面微小缺陷检测的研究与应用,是多接入边缘计算与人工智能算法在实际工业应用场景中的一次结合,是实现边缘人工智能概念的一次探索,在解决具体的实际缺陷检测和隐私保护问题的同时融入人工智能算法实现微小缺陷检测任务,具有重要研究意义。