大数据、人工智能（Artificial Intelligence,AI）、云计算、边缘计算等新一代信息技术的迅猛发展,推动了以信息产业为主导的新经济的繁荣,加速了智能化与社会各领域的深度融合,促进了新模式、新平台、新产业的加速成长,工业互联网也应运而生。随着工业互联网的发展,制造业迎来了向数字化、网络化、智能化的转型,进入了全新的发展阶段。质量检测作为保证工业产品质量的重要环节,成为制造业转型的重要突破方向。然而,现有的质量检测采用人工检测或基于传统数据处理算法的检测方法,数据利用率低,检测精度不高,时效性差,严重制约了工厂生产效率的提升,增加了企业生产成本。因此,亟需开展面向工业互联网的智能质量检测方法的研究。本文瞄准质量检测的典型场景——空调外机外观检测领域,开展了端-边-云协同的外观智能检测系统研究,以期解决现有质量检测方法中存在的检测精度低、检测速度慢、人工成本高等问题,从而提高企业的生产效率和智能化水平。具体创新性工作如下:（1）针对AI智能检测算法应用中的数据缺失问题,构建了国内首个开源的空调外机外观检测数据集。真实数据构建的完整数据集由两万六千余幅图像组成,包含了 29种不同的空调外机型号,每种型号外机包括3-5种目标标签,为后续研究提供了数据支撑。其中,11种典型型号共计10449幅图像（含标注标签）在IEEE DataPort进行了开源,具体开源网址为:https://dx.doi.org/10.21227/wjxh-mx45。（2）针对检测精度低、检测时延高和人工成本高等问题,提出了空调外机外观检测方案和应用于该方案的改进目标检测算法。基于数据集测试了主流目标检测算法在该场景下的可行性。在此基础上,考虑到算法检测时延仍相对较高的问题,本文对YOLO系列模型进行了简化,以适应生产线中计算能力受限的硬件。但是仅仅简化结构带来了性能的下降,因此在轻量化模型的基础上提出了新的特征提取网络,在提高性能的基础上降低了检测时延。最后,在以树莓派为嵌入式计算节点的系统中成功实现了所提算法的部署与测试,实现了目标检测算法在空调外机外观检测领域的应用。（3）针对检测时延过高和模型更新难等问题,本文设计并搭建了端-边-云架构下的智能外观检测系统。设计了空调外机外观智能检测场景下的端-边-云协同架构,根据不同设备计算能力和任务重要程度的差异提出了优化目标和中心式卸载决策与调度策略。然后,搭建了涵盖传感器数据收集、任务实时卸载调度、AI智能检测与更新、数据云端存储和检测结果实时返回控制PLC决策的完整的端-边-云协同模式的系统。最后,实际系统测试证明了目标检测算法的高准确率和任务卸载算法的高效性。