轧辊是轧机上的主要装置,也是使金属产生连续塑性变形的工具,轧辊表面质量不达标会使钢带表面产生缺陷。一旦轧辊表面缺陷没有及时处理,会在轧制过程对产品质量产生影响,所以工厂对更换下来的轧辊表面检测和维修非常重视。传统的检测现场都是通过人眼来对轧辊表面进行观察,凭借手感、目测来判断轧辊表面的损伤程度以及缺陷的类型,再对轧辊表面缺陷进行修复。这种检测方法受人工经验和主观因素影响,准确率不高、劳动强度大、效率低。为实现轧辊表面缺陷的检测识别和后续对缺陷的修复对接,拟开展如下研究工作:（1）轧辊表面图像采集。为获取轧辊表面图像,先对工业相机、镜头和光源合理选型,搭建采集平台。之后利用灯光对轧辊表面进行照明,使轧辊表面清晰且亮度适中,再借助工业相机完成轧辊表面图像的采集。（2）图像预处理。在图像采集过程中会受到外界因素干预,采集到的图像不够清晰,因此需要对采集到的轧辊图像进行中值滤波、直方图均衡化处理。（3）特征提取。针对传统SURF算法提取效率低、特征点提取精度低等缺点,进行优化。提出基于分块策略的特征检测,图像在特征检测之前,先对图像进行分块处理,计算图像块之间的余弦相似度,找出相似度最高的图像块进行特征提取,减少SUFR算法在无效区域的检索和计算,缩小匹配范围,降低特征匹配所以的时间,提高整体算法特征点检测效率和匹配效率。（4）图像拼接。在相似图像块上用SURF算法进行匹配,运用RANSAC算法优化匹配点对,提高特征匹配精度。经过仿射变换将图像对齐,然后采用加权平均算法对图像融合处理,完成图像的拼接,达到理想的拼接效果。因此针对这些问题采用机器视觉对轧辊表面缺陷进行检测,并对检测数据进行分析,判别其缺陷类型,再由机器人完成修复。由于工业相机视角较小无法对整个辊面进行图像采集,故提出基于图像拼接的轧辊表面缺陷检测方法。实验结果表明,基于相似块的SURF算法特征匹配准确率为80.4%,较传统准确率提高了18.37%。从而提高了图像拼接质量,有利于轧辊表面缺陷检测,并判别缺陷类型,方便机器人对轧辊缺陷进行修复。