手机盖板玻璃的印刷工艺主要包括黑框印刷、镜面银印刷以及头色印刷等，每一次印刷之后均需对印刷质量进行检测，以免造成批次印刷不良。盖板检测主要有哪些问题呢，其难点又在哪里，下面为大家一一介绍：
    （1）缺陷品相繁多

     印刷区边缘的长牙/芽缺/锯齿

    所谓长牙/芽缺/锯齿通常是由于印刷过程中刮胶刀口不平、网版张力不均、油墨不均等导致的边缘溢墨、边缘缺失或者连续交替出现长牙芽缺的现象。通常发生在视窗区边缘、黑框边缘、LOGO元素边缘、按键元素边缘、通透孔边缘等，其中LOGO元素以及按键元素边缘的长牙芽缺最为复杂。因为这些元素边缘本身就很不规则，形状各异，其本身特征与长牙芽缺有很大的相似度，非常容易导致过检和漏检。    

    印刷区域的透光、视窗区域的漏油

    印刷区透光主要是由于网版粘尘、网版破损等导致玻璃盖板某些位置没有印刷上油墨的现象，印刷区的任何位置均可能发生透光。漏油是指在非印刷区出现油墨的现象，通常是由于感光胶脱落、网版非印刷区破洞、张力不均等导致，油墨拉丝、弹油同样会导致漏油现象的发生。
    丝印元素的偏位

    丝印元素偏位通常是由于机械装调不精确，关键机构位置发生变动导致印刷元素位置发生变动的现象。以上缺陷品相在盖板检测中发生的概率最多，由于缺陷种类较多，且各种缺陷之间相互独立，从算法的角度来讲，通常需要单独设计不同的算法检测模块，增加了算法的复杂程度。
   （2）盖板尺寸较大，时间和精度要求高

    手机盖板的尺寸大约为150mm X 75mm，而检测精度通常要求在3个丝（30微米）左右，为了不影响整机效率，设备需要在3秒内完成检测。为了满足检测精度要求，通常选用高分辨率的线阵相机进行成像，图像大小约为120 M。在如此大的图像上，精确定位到只有3个像素大小的缺陷，而且还要考虑其它因素导致的干扰，并非易事。另外，3秒的时间要求，要完成如此多缺陷品相的检测也是一个很大的挑战，要知道，只是完成一次整幅图像的自适应阈值二值化就需要几十毫秒的时间。
    虽然如今的深度学习技术发展迅速，在特征提取上优于很多传统算法，但目前还主要应用在纹理丰富、尺寸较小的图像上，对于如此大尺寸且几乎没有纹理特征的手机盖板图像，直接利用深度学习显然是不现实的。当然也并不是说深度学习不能用于盖板检测，只是需要找到传统算法与深度学习技术的结合点，比如利用传统算法先提取目标关键信息，然后再利用深度学习来获取目标的缺陷信息，最后再反算到原始图像中去，这就是深度学习与传统算法相结合的一种思路。
    （3）手机盖板成像一致性较差

     盖板成像一直是盖板检测的一个最为关键的问题，由于手机盖板品牌繁多、颜色和形状差异较大，不同的盖板其成像效果均有所差异。最大的差异主要体现在盖板外边缘和通孔处，这些地方的倒边容易造成伪透光，进而导致边缘定位不准确，很容易导致透光、以及长牙芽缺的过检等。因此，对于任何一款视觉检测产品，打光和成像始终是一个绕不开的话题，成像质量严重影响检测效率和检测精度。
     目前手机盖板行业的相关从业人员大约15万，人员成本每年支出就在100亿元以上，且由于效率低下，严重制约产能，对于盖板生产厂商来讲，要在如此激烈的市场竞争中占领高地，必须进行产业升级，而盖板的自动检测更是迫在眉睫。