一、案例背景與測試需求

智能手機屏幕與中框的縫隙是影響產品可靠性、防水性能及外觀品質的關鍵指標 —— 縫隙過大會導致灰塵、水汽侵入，影響內部元器件壽命；縫隙不均勻則破壞外觀一致性，甚至引發屏幕按壓異響。本案例針對某型號 OLED 智能手機的屏幕 - 中框組裝縫隙展開測量，具體需求如下：

1. 縫隙規格：設計要求縫隙寬度為 50~150μm（0.05~0.15mm），深度差≤20μm，全長度（20mm）內均勻性誤差≤5μm；

2. 材料兼容性：掃描范圍內同時存在透明材料（屏幕蓋板，3D 曲面玻璃，透光率 92%）與非透明材料（中框，6061 鋁合金，反射率約 35%），需傳感器無差別精準測量；

3. 精度要求：重復測量精度≤0.1μm，線性精度≤0.5μm，避免因測量誤差導致合格產品誤判；

4. 空間分辨率：縫隙邊緣為微米級過渡，需小光斑避免 “光斑覆蓋縫隙與基底" 的誤測，要求光斑直徑≤10μm。

經選型對比，LTC1200 光譜共焦傳感器（聚焦點光斑 Φ9.5μm，靜態重復精度 0.03μm，線性精度 <±0.3μm）完quan匹配上述需求，且其光譜共焦原理天然兼容透明 / 非透明材料測量，成為核心測試設備。

二、測試設備與系統搭建

1. 核心設備清單

2. 系統搭建邏輯

傳感器通過 FC/PC 光纖連接控制器，控制器與運動平臺通過 RS485 總線實現同步通信；手機樣品通過真空固定臺吸附在運動平臺上，LTC1200 固定于 Z 軸支架（初始距離按 “測量中心距離 20mm" 校準），確保傳感器光斑垂直入射于縫隙所在平面（測量角度 <±5°，遠低于 LTC1200 的 ±32° 允許范圍）。

三、測量原理與核心技術優勢

1. 光譜共焦測量原理

LTC1200 通過 “白光色散 + 共焦濾波" 實現距離測量：

• 白光經光纖傳輸至傳感器探頭，通過色散透鏡分解為紅（長波長，聚焦遠）、藍（短波長，聚焦近）等不同波長的單色光；

• 單色光聚焦于不同距離的被測表面（透明材料的 “表面 / 底面" 或非透明材料的 “表面"），反射光經共焦小孔濾波后，僅 “聚焦點波長" 能被光譜儀捕捉；

• 控制器通過 “波長 - 距離" 標定曲線（預用納米級激光干涉儀校準，符合 LTC1200 線性誤差標準），將捕捉到的波長信號轉換為精確距離值（分辨率      0.01μm）。

2. 透明 / 非透明材料兼容原

四、詳細掃描步驟與數據采集方案

1. 測試前校準（關鍵步驟，保證基準統一）

1. 傳感器線性校準：用納米級激光干涉儀（精度 ±0.05μm）作為標準，在 LTC1200 量程 ±600μm 內取 20 個校準點，擬合 “波長 - 距離" 曲線，確保線性精度 <±0.3μm；

2. 光斑定位校準：將標準鍍銀膜反射鏡（符合 LTC1200 重復精度測試條件）固定于平臺，移動 XY 軸使光斑中心與反射鏡十字線對齊，記錄坐標（X0,Y0），作為掃描原點；

3. 樣品基準校準：將手機樣品固定后，移動 Z 軸使傳感器距離樣品表面 20mm（LTC1200 中心距離），采集屏幕蓋板表面 5 個點的距離平均值，設為 “基準高度 H0=20.015mm"。

2. 掃描路徑規劃（針對 20mm 長縫隙）

采用 “蛇形掃描 + 局部加密" 策略，兼顧效率與精度：

• 掃描范圍：X 軸（縫隙長度方向）0~20mm，Y 軸（縫隙寬度方向）-1mm~+1mm（覆蓋縫隙及兩側各 1mm 基底，避免邊緣漏測）；

• 掃描步距：X 軸 5μm（≤光斑直徑 9.5μm，避免漏掃），Y 軸 3μm（兼顧透明材料表面平整度測量）；

• 采樣頻率：設置為 10KHz（低于 LT-CCH 的 21KHz 上限，平衡速度與數據穩定性）；

• 總采樣點：(20mm/5μm) × (2mm/3μm) ≈ 4000 × 667 ≈ 2.67×10?個點，單次掃描時間≈2.67×10? / 10? ≈ 267 秒（約 4.5 分鐘）。

3. 數據采集流程

1. 運動平臺從原點（X0,Y0）出發，按 X 軸正向、Y 軸步進 3μm 的蛇形路徑移動；

2. 每移動一個步距，控制器觸發 LTC1200 采集 1 組距離數據（含反射峰數量、峰強度、波長值），并標記當前 XY 坐標；

3. 若采集到 “雙反射峰"（透明區域），記錄 “表面距離 H_s" 與 “底面距離 H_b"；若為 “單反射峰"（非透明區域），僅記錄 “表面距離 H_n"；

4. 掃描結束后，生成 “坐標（X,Y）- 距離（H）" 的二維數據矩陣，存儲為      CSV 格式備用。

五、核心測量算法設計

1. 數據預處理（降噪與異常值剔除）

• 降噪算法：采用 “3 點移動平均濾波"，對每個采樣點（X,Y）的距離值 H，用其相鄰點（X-5μm,Y）、（X,Y）、（X+5μm,Y）的平均值替代，消除隨機噪聲（濾波后數據標準差從 0.08μm 降至 0.03μm，匹配 LTC1200 靜態重復精度）；

• 異常值剔除：基于 3σ 準則，剔除距離值超出 “基準高度 ±5μm" 的異常點（多為灰塵干擾，占比 < 0.1%），并用 “雙線性插值" 補全數據，避免空洞。

2. 透明 / 非透明區域識別

通過 “反射峰數量 + 峰強度閾值" 實現自動分類：

• 設定閾值：峰數量 = 1 且峰強度 > 1.0V → 非透明區域（中框）；峰數量 = 2 且表面峰強度 > 0.9V → 透明區域（蓋板）；

• 輸出 “區域掩碼圖"：用紅色標注非透明區域，藍色標注透明區域，為后續縫隙邊緣檢測提供區域約束。

3. 縫隙邊緣檢測（關鍵算法，精準定位邊界）

采用 “改進型 Sobel 算子"，針對縫隙兩側的高度突變特征設計：

1. 對預處理后的距離矩陣，在 Y 軸方向（縫隙寬度方向）計算梯度 G_y = [H (X,Y+3μm) -      H (X,Y-3μm)] / 6μm；

2. 設定梯度閾值 G_th = 5μm/mm（即 Y 方向每移動 1mm，高度變化 > 5μm 判定為邊緣）；

3. 當 G_y > G_th 時，判定為 “縫隙左邊緣"（從蓋板到縫隙的過渡）；當 G_y < -G_th 時，判定為 “縫隙右邊緣"（從縫隙到中框的過渡）；

4. 對邊緣點進行 “線性插值優化"：例如某邊緣區間內，X=10.000mm 時 G_y=4.8μm/mm（未達閾值），X=10.005mm 時 G_y=5.2μm/mm（超閾值），通過插值計算精確邊緣位置為 X=10.0048mm（精度 0.1μm）。

4. 縫隙參數計算

• 縫隙寬度 W：同一 X 坐標下，右邊緣 Y 坐標（Y_r）與左邊緣      Y 坐標（Y_l）的差值，即 W=Y_r - Y_l；

• 縫隙深度 D：同一 X 坐標下，蓋板表面高度（H_s）與中框表面高度（H_n）的差值，即 D=H_s - H_n；

• 均勻性誤差 σ：全掃描長度（20mm）內，縫隙寬度的標準差，即 σ=√[Σ(W_i - W_avg)2 / N]（N 為 X 方向采樣點數，本案例 N=4000）。

六、測試結果與數據分析

1. 基礎測量結果（3 臺樣品，編號 S1~S3）

2. 關鍵性能驗證

（1）重復精度驗證

對 S1 樣品同一位置重復掃描 5 次，縫隙寬度測量結果如下：102.3μm、102.2μm、102.4μm、102.1μm、102.3μm平均值 = 102.26μm，標準差 = 0.11μm，遠低于需求的≤0.1μm（實際受環境微小振動影響，略高于 LTC1200 的 0.03μm 靜態重復精度，但仍滿足要求）。

（2）透明 / 非透明材料測量一致性

在掃描范圍內選取 “透明區域（蓋板）" 與 “非透明區域（中框）" 各 100 個點，測量距離值的標準差：

• 透明區域：標準差 = 0.08μm；

• 非透明區域：標準差 = 0.06μm；兩者差異 < 0.03μm，證明 LTC1200 對兩種材料的測量穩定性一致，無系統偏差。

（3）小光斑優勢驗證

對比 “LTC1200（Φ9.5μm）" 與 “大光斑傳感器（Φ19μm，LTC1200B）" 的邊緣定位誤差：

• LTC1200：邊緣定位精度≤0.2μm；

• LTC1200B：邊緣定位精度≤1.5μm；可見小光斑能更精準捕捉縫隙邊緣的微米級過渡，避免大光斑 “覆蓋邊緣兩側" 導致的寬度測量偏大（偏差約 5~10μm）。

3. 結果可視化輸出

測控軟件生成 3 類核心報告：

1. 二維灰度圖：用灰度值表示距離（亮區為高，暗區為低），直觀顯示縫隙的 “寬度變化趨勢"；

2. 三維地形圖：還原屏幕 - 中框的高度分布，縫隙處的 “凹槽特征" 清晰可見；

3. 參數統計表：輸出每 1mm 長度內的縫隙寬度、深度平均值，標注超差位置（本案例無超差）。

七、案例總結

本案例通過 LTC1200 光譜共焦傳感器的小光斑特性（Φ9.5μm） 、高精度（0.03μm 重復精度） 及透明 / 非透明材料兼容性，成功實現手機屏幕縫隙的微米級掃描測量，核心價值如下：

1. 測量可靠性：數據顯示重復精度≤0.11μm，均勻性誤差≤4.9μm，完quan滿足產品設計要求，避免合格產品誤判；

2. 效率與自動化：單次掃描耗時約 4.5 分鐘，支持多通道擴展（LT-CCH 最大 16 通道），可滿足量產檢測需求；

3. 技術普適性：該方案可推廣至平板電腦、智能手表等消費電子的縫隙測量，或透明材料（如玻璃、塑料）與非透明材料（如金屬、陶瓷）的組裝間隙檢測。

后續可通過優化掃描步距（如 X 軸 3μm、Y 軸 2μm）進一步提升空間分辨率，或結合 AI 算法實現 “異常縫隙自動分類"（如毛刺、凹陷導致的縫隙不均），提升檢測智能化水平。