1.一种手机屏幕检测方法，其特征在于，包括：

步骤1：获取手机屏幕清晰的像素图像；

步骤2：利用PatMax算法对步骤2获取到的像素图像进行模型训练，以得到带有位姿信息的模型；

步骤3：接收所述模型中的位姿信息，以所述模型为基准建立坐标系，并在所述坐标系上从所述模型输出图像，所述坐标系用于为后续识别提供坐标位置；

步骤4：对从所述步骤3的模型输出的图像进行仿射变换，产生一个矩形输出图像；

步骤5：对所述矩形输出图像进行3×3中值滤波，以得到滤波后的测试图像；

步骤6：选择无缺陷的手机屏幕图像作为训练图像，抓取训练图像与对应的原点，基于所述训练图像与对应的原点设置待进行差分操作的图像的区域和对应的原点，设置运行参数训练模板图像，对步骤3所述模型输出的图像进行训练，并统计训练当前模式，以得到已训练的模板图像，用滤波后的测试图像减去已训练的模板图像，得到差分图；

步骤7：设置分割的模式为软阈值，极性为黑底白点，设置高低阈值，对所述差分图进行Blob分析，得到手机屏幕的缺陷图像。

2.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤2，包括：PatMax算法采用模板定位技术，PatMax算法只训练所述像素图像的重要特征。

3.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤4，包括：平移变换：将模型输出的图像中的每一点移到到(x+tx，y+ty)，变换矩阵为其中，T表示平移参数。

4.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤4，包括：缩放变换：将模型输出的图像中的每一点的横坐标放大或缩小Sx倍，并将将模型输出的图像中的每一点的纵坐标放大或缩小到Sy倍，变换矩阵为 其中，S表示缩放参数。

5.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤4，包括：旋转变换：将模型输出的图像围绕原点顺时针旋转θ弧度，变换矩阵为其中，所述变换矩阵用一个3×3的矩阵M来表示，其最后一行为(0，0，1)，所述变换矩阵将原坐标为(x，y)变换为新坐标(x’，y’)，即 θ表示旋转弧度。

6.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤5，包括：中值滤波法定义如下：G(x，y)＝median(g(s，t))s，t∈Sxy，其中G(x，y)和g(s，t)分别为所述矩形输出图像和输入的像素灰度值，S为模块窗口，对所述矩形输出图像进行3×3中值滤波，以得到滤波后的测试图像，包括：step1：对模块窗口S中的每一行进行升序排列，得到3个有序序列；

step2：将step1得到3个有序序列按其中值(12，22，32)的大小进行升序排列；

step3：排除像素点11、12、32、33为中值的可能性，通过比较得出像素点13、21、22、23、

31、32的灰度值的中值；

Step4：将所述矩形输出图像中的每一像素点的灰度值设置为step3得到像素点13、21、

22、23、31、32的灰度值的中值；

Step5：将所述矩形输出图像中的中的每一像素点的灰度值设置为该像素点某邻域窗口内的所有像素点灰度值的中值。

7.如权利要求1所述的手机屏幕检测方法，其特征在于，所述步骤6和步骤7，包括：差分法的数学表达公式为：f(x，y)＝f1(x，y)-f2(x，y)，其中，f1(x，y)和f2(x，y)为输入图像，f(x，y)为输出图像；

Blob分析通过软阈值分割实现，软阈值的定义如下：ηs(ω，λ)＝sgn(ω)(|ω|-λ)+，这里ω是变量，λ是阈值(非负值)，符号(|ω|-λ)+表示当(|ω|-λ)＞0时则等于|ω|-λ，当(|ω|-λ)＜0时则等于0，分三种情况来讨论：情况1：ω＞λ＞0，sgn(ω)＝1，|ω|＝ω，(|ω|-λ)一定大于0，(|ω|-λ)+＝|ω|-λ，所以ηs(ω，λ)＝ω-λ；

情况2：ω＜-λ＜0，sgn(ω)＝-1，|ω|＝-ω，(|ω|-λ)也一定大于0，(|ω|-λ)+＝|ω|-λ，所以ηs(ω，λ)＝-1×(-ω-λ)＝ω+λ；

情况3：|ω|＜λ，(|ω|-λ)一定小于0，则(|ω|-λ)+＝0，so ηs(ω，λ)＝0，因此，ηs表达为： 用滤波后的测试图像减去已训练的模板图像，得到差分图，从手机屏幕残差图像的灰度级出发选取高低阈值，对所述差分图进行Blob分析，得到手机屏幕的缺陷图像。