激光加工方法及装置与流程

本发明涉及激光微加工领域，具体而言，涉及一种激光加工方法及装置。

背景技术：

近年来，电路板制程技术持续朝着轻薄化、高密度和多层板方向发展。汽车电子、智能手机、平板电脑和可穿戴虚拟现实设备市场获得了迅猛发展，其对电路板中微通孔和盲孔(<100微米以下)的高精密、高效率加工要求也越来越普遍。目前，无论是面向硬板的CO2激光钻孔还是面向软板的UV激光钻孔、切割工艺制程，都对激光钻孔、切割的产能效率和精度提出了日趋严格的要求。

为提高钻孔或切割效率，PCB(Printed Circuit Board，印刷电路板)激光钻孔机一般都配置有扫描振镜。然而扫描振镜通常只能在小幅面扫描区域(典型地，50mm×50mm)内获得较高精度。为了满足大幅面PCB高产能制程需要，主流激光钻孔机和激光切割机大都采用XY工作台和二维扫描振镜的双工作台结构。整机以本领域技术人员公知的Step&Repeat方式工作，即XY工作台定位至某个工作区域，振镜相应完成此区域的扫描加工，然后XY工作台再定位切换至另一工作区域，振镜继续完成加工……，如此反复完成整板加工。这就意味着：在有大幅面激光加工文件输入时，需要对输入的图形数据文件进行分块处理，以满足有限的振镜加工范围要求。

随着PCB制程技术的发展，为提高批量作业效率，PCB板面尺寸也越来越大。在PCB CAD(Computer Aided Design)设计时，每个板面(Panel)上阵列分布有很多的重复图样加工数据(称作Piece基本单元)，加上Panel周边及中间分布的一些用于各种工序的对位孔，形成整个Panel版图设计。此外，相邻Piece单元间需要留有一定的Margin(空白间隙)区域，以使得制程完成后，可以沿着此区域切割分板。也就是说，激光钻孔、切割数据在二维空间范围内存在天然的“聚簇”特性，其并不是均匀分布的。

传统数据分块方法通常依据振镜系统扫描范围来确定分块大小约束，也即根据分块大小和相邻分块间重叠量参数在整个数据边界矩形范围内均匀划分栅格区域，从而进行数据分块处理。这种均匀分块方法，通常具有以下不足之处：1)分块数目可能较多，这将需要XY工作台进行较多的工作区域切换步骤，更多运动定位需求相应地更加耗时，从而影响整机加工效率；2)对于不同的激光加工数据文件和分块参数输入，分块效果是随机的，因此在大概率条件下，获得的分块内部数据相对分块中心的空间分布离散化现象较为严重(在振镜扫描区域内，区域边缘相对中心的扫描精度较差是本领域的技术人员公知的)，也就意味着会降低整机综合加工精度；以及3)在大概率条件下，数据文件中由于多Piece单元阵列设计带来的“聚簇”特性不能很好地保持，也即均匀分块会破坏Piece单元的天然“聚簇”特性，不同Piece单元在其对应归属分块内部的相对位置非常随机，各Piece单元的分块一致性差别较大，从而影响每Panel上各Piece单元间的工艺加工效果的一致性。前两点不足，在输入的激光加工文件为稀疏数据分布时表现得尤为显著。

日本专利JP2000343260A3和中国专利CN103846558B分别公布了激光钻孔数据的分块方法，但算法过于简单，不够有效，无法有效克服以上提及的缺点。

Hosun Kwak等人在题为“A clustering based path planning for UV laser galvanometric scanning drilling machine using spatial tessellations with A*”的论文中描述了一种基于三角剖分算法的数据分块方法。专利US20030028407中公开了一种基于旅行商最短路径算法和Kd-Tree搜索树多遍扫描的数据分块方法。然而，以上两种方法同样无法有效克服以上提及的缺点。此外，这两种分块方法的算法复杂度较高、计算耗时，一方面对计算设备的硬件配置提出较高的要求，另一方面也不利于本领域的技术人员实现。

另外，以上公开的各方法仅涉及对激光钻孔文件进行数据分块，并未涉及激光切割文件的处理。

技术实现要素：

鉴于此，本发明的目的在于提供一种激光加工方法及装置，其能够对激光钻孔处理和激光切割处理两者涉及的激光加工数据进行处理，并且能够以相对较低的算法复杂度实现有效的数据分块处理。

为了实现本发明的上述目的，采用以下技术方案：

第一方面，本发明实施例提供了一种激光加工方法，所述激光加工方法包括：获取激光加工数据，所述激光加工数据包括用于激光钻孔处理和激光切割处理中至少之一的加工数据；对所述激光加工数据进行均值漂移聚类运算，获得所述激光加工数据对应的分块数据；以及根据所获得的分块数据执行激光加工。

第二方面，本发明实施例提供了一种激光加工装置，所述激光加工系统包括：获取单元，用于获取激光加工数据，所述激光加工数据 包括用于激光钻孔处理和激光切割处理中至少之一的加工数据；分块单元，用于对所述激光加工数据进行均值漂移聚类运算，获得所述激光加工数据对应的分块数据；以及执行单元，用于根据所获得的分块数据执行激光加工。

在本发明实施例提供的激光加工方法及装置中，通过对所获取的包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行均值漂移聚类运算，获得对应的分块数据并相应进行激光加工。本发明实施例提供的技术方案中基于“均值漂移聚类”算法对激光加工数据进行分块处理，使得可以以统一的数据分块处理流程对包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行智能分块处理，其算法复杂度较低并且简单有效。利用这样的分块处理方法，可以有效减少分块数目，从而提高综合加工效率；可以有效降低每个分块内数据空间分布的离散化程度，使得分块内部数据更趋向于分块中心密集分布，从而有效地提高综合加工精度；此外，还可以保证大概率地一致性分割每个Panel上阵列分布的Piece单元重复图样作为分块，从而大概率地保证每个panel上Piece单元间的激光加工工艺效果一致性。

为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。通过附图所示，本发明的上述及其它目的、特征和优势将更加 清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1示出了本发明实施例提供的激光加工方法的示意性流程图；

图2示出了图1的步骤S200的子步骤的示意性流程图；

图3示出了图2中的步骤S260的子步骤的示意性流程图；

图4A和图4B分别示出了对一种激光加工数据执行现有技术的分块处理和本发明实施例提供的分块处理所获得的分块数据的示意图；

图5A和图5B分别示出了对另一种激光加工数据执行现有技术的分块处理和本发明实施例提供的分块处理所获得的分块数据的示意图；

图6示出了本发明实施例提供的激光加工装置的示意性框图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1示出了本发明实施例提供的一种激光加工方法的示意性流程图。要说明的是，本发明实施例提供的激光加工方法可以应用于包括处理设备以及该处理设备电连接的与XY工作台和二维激光扫描振镜的激光加工系统，其中所述激光加工方法可以由处理设备执行以在XY工作台和二维激光扫描振镜的协作下进行相应的激光加工制程。然而，该激光加工方法还可以应用于其他类似的激光加工系统，本发明具体实施方式并不以此为限。如图1所示，该激光加工方法可以包括步骤S100、S200和S300。

在步骤S100中，获取激光加工数据，所述激光加工数据包括用于激光钻孔处理和激光切割处理中至少之一的加工数据。

当进行激光加工处理和激光切割加工处理中之一时，通常需要首先获取用户提供的相应激光加工数据。对于不同的加工工艺或不同的加工需求，用户提供的激光加工数据可能并不相同。此外，可以以现有技术中公知的方法获取激光加工数据，本发明具体实施方式并不以此为限。

在步骤S200中，对所述激光加工数据进行均值漂移聚类运算，获得所述激光加工数据对应的分块数据。

其中，均值漂移(Mean Shift)聚类算法是一种无参密度估计算法或核密度估计算法，其可用于聚类、图像分割、跟踪等。Mean shift是一个向量，其方向指向当前点上概率密度梯度的方向。所谓的核密度评估算法，指的是根据数据概率密度不断移动其均值质心直到满足一定迭代终止条件。均值漂移聚类算法的基本思想是，计算在一定聚类半径范围内数据的质心，通过质心平移和不断迭代，在多维空间分布数据中，沿着数据密度上升的方向寻找同属一个簇的数据点，快速找到数据密度最高的区域中心。

于一种具体实施方式中，如图2所示，步骤S200可以通过步骤S220、S240和S260来实现。在步骤S220中，计算所述激光加工数据的边界包络矩形，依据分块间重叠量参数，将所述边界包络矩形在预设二维坐标系下划分为M×N个正方形栅格，在所述二维坐标系的第一坐标轴上相应得到M个第一坐标轴初始区间并在所述二维坐标系的第二坐标轴上相应得到N个第二坐标轴初始区间，其中每个正方形栅格的边长大于或等于所述分块间重叠量参数，M和N均为正整数。

其中，分块间重叠量参数是指各分块间的重叠量，该分块间重叠量参数的取值范围通常可以为3.0mm～5.0mm。所述预设坐标系可以为XY坐标系，所述第一坐标轴可以为水平坐标轴即X轴，所述第二坐标轴可以为垂直坐标轴即Y轴，并且所述边界包络矩形的左下角顶点可以与XY坐标系的原点重合，为方便描述，本发明具体实施例中以此为例进行描述。然而，要注意的是，所述第一坐标轴也可以为垂直坐标轴即Y轴，所述第二坐标轴可以为水平坐标轴即X轴，并且所述边界包络矩形可以处于XY坐标系的其他位置，本发明具体实施方式并不以此为限。例如，通过栅格划分后，在XY坐标系的X轴上相应得到M个X轴初始区间可以被记为XR₁、XR₂、…、XR_M，并且在XY坐标系的Y轴对应得到N个Y轴初始区间可以被记为YR₁、YR₂、…、YR_N。

在步骤S240中，获取所述激光加工数据在所述二维坐标系下表示的各个实体，所述实体包括直径小于或等于所述分块间重叠量参数的圆和圆弧以及长度小于或等于所述分块间重叠量参数的线段。

于一种具体实施方式中，所述获取所述激光加工数据在所述二维坐标系下表示的各个实体，可以包括：将所述激光加工数据在所述二维坐标系下表示的圆和圆弧中直径大于所述分块间重叠量参数的圆 和圆弧离散化为直径小于或等于所述分块间重叠量参数的圆弧，并将所述激光加工数据在所述二维坐标系下表示的线段中长度大于所述重叠量参数的线段离散化为长度小于或等于所述重叠量参数的线段。也就是说，通过此步骤，可以将所述激光加工数据表示的相对较大的圆和圆弧以及相对较长的线段进行离散化。在进行离散化处理时，使用所述分块间重叠量参数作为依据，可以确保算法简单稳定。然而，还可以采用精确的Cohen-Sutherland线段裁剪、圆弧裁剪等几何算法进行此离散化处理，但算法相对较复杂易出错。还要注意的是，所述直径小于或等于所述分块间重叠量参数的圆弧包括经上述离散化处理和未经上述离散化处理两者的圆弧，类似地，所述长度小于或等于所述分块间重叠量参数的线段圆弧包括经上述离散化处理和未经上述离散化处理两者的线段。

在步骤S260中，利用所述实体以及所述M个第一坐标轴初始区间和所述N个第二坐标轴初始区间进行加权的均值漂移聚类运算。

进一步地，图3示出了步骤S260的一种具体实施方式。如图3所示，步骤S260可以包括子步骤S262、S264和S266。在子步骤S262中，计算所述实体中包含在每个所述第一坐标轴初始区间内的所有第一实体的数目，作为该第一坐标轴初始区间的第一投票数。例如，该步骤可以通过识别每个实体的X轴坐标值在每个所述第一坐标轴初始区间内的归属来实现。

在子步骤S264中，以M个所述第一投票数作为加权值对所述M个第一坐标轴初始区间进行加权的第一一维均值漂移聚类算法，获得M’个第一坐标轴新区间，M’为正整数。于一种具体实施方式中，子步骤S264可以以如下方式来实现：以所述M个第一坐标轴初始区间中的每个第一坐标轴初始区间的中心点作为数据点，并以每个所述第一投票数作为相应第一坐标轴初始区间的加权值，对所述M个第一 坐标轴初始区间进行加权的第一一维均值漂移聚类算法，获得数据密度最高的第一坐标轴初始区间；从所述M个第一坐标轴初始区间中去除以所述数据密度最高的第一坐标轴初始区间的中心点为中心、以聚类半径为半径的圆内的所有第一坐标轴初始区间，对剩余的第一坐标轴初始区间执行所述加权的第一一维均值漂移聚类算法，获得新的数据密度最高的第一坐标轴初始区间；重复上一步骤，直至不再剩余有所述第一坐标轴初始区间。也就是说，在该子步骤之后，从最初的M个X轴初始区间XR₁、XR₂、…、XR_M得到M’个第一坐标轴新区间XR_n1、XR_n2、…、XR_nM'，M’通常小于或等于M，并且M’个第一坐标轴新区间可以是不规则的，即区间大小不一致。

在子步骤S266中，针对每个所述第一坐标轴新区间，将所述实体中包含在该第一坐标轴新区间内的实体统计为第二实体，计算所述第二实体中包含在每个所述第二坐标轴初始区间内的所有第三实体的数目，作为每个所述第二坐标轴初始区间的第二投票数，以N个所述第二投票数作为加权值对所述N个第二坐标轴初始区间进行加权的第二一维均值漂移聚类算法，获得N’个第二坐标轴新区间，N’为正整数。例如，第二投票数的获得可以通过识别每个实体的Y轴坐标值在每个所述第二坐标轴初始区间内的归属来实现。

具体地，所述以N个所述第二投票数作为加权值对所述N个第二坐标轴初始区间进行加权的第二一维均值漂移聚类算法，可以包括：以所述N个第二坐标轴初始区间中的每个第二坐标轴初始区间的中心点作为数据点，并以每个所述第二投票数作为相应第二坐标轴初始区间的加权值，对所述N个第二坐标轴初始区间进行加权的第二一维均值漂移聚类算法，获得数据密度最高的第二坐标轴初始区间；从所述N个第二坐标轴初始区间中去除以所述数据密度最高的第二坐标轴初始区间的中心点为中心、以聚类半径为半径的圆内的所 有第二坐标轴初始区间，对剩余的第二坐标轴初始区间执行所述加权的第二一维均值漂移聚类算法，获得新的数据密度最高的第二坐标轴初始区间；重复上一步骤，直至不再剩余有所述第二坐标轴初始区间。

在执行该子步骤之后，可以从最初的N个Y轴初始区间YR₁、YR₂、…、YR_N得到N’个第二坐标轴新区间YR_n1、YR_n2、…、YR_nN'，N’通常小于或等于N，并且N’个第二坐标轴新区间可以是不规则的，即区间大小不一致。

在获得M’个第一坐标轴新区间XR_n1、XR_n2、…、XR_nM'和N’个第二坐标轴新区间YR_n1、YR_n2、…、YR_nN'之后，可以通过以下方式来获得所述激光加工数据的分块数据也即获得分块结果：针对由所述M’个第一坐标轴新区间和所述N’个第二坐标轴新区间构成的M’×N’个分块区(XR_ni，YR_nj)，依据所述分块区各自包含的实体进行边界矩形计算，得到分块数据，其中1≤i≤M’，1≤j≤N’。具体地，每个所述分块区经过所述边界矩形计算后获得的边界矩形即为获得的相应分块，其中该边界矩形的中心为相应分块的中心。

在本发明上述实施例中，所述加权的第一一维均值漂移聚类算法和所述加权的第二一维均值漂移聚类算法(本文可以统称为加权的一维均值漂移聚类算法)采用的聚类半径优选地为预设分块的长度或宽度的一半。其中，预设分块的大小可以由用户设定，其通常小于扫描振镜的小幅面扫描区域(典型地50mm×50mm)。此外，所述加权的一维均值漂移聚类算法中采用的核密度函数可以为高斯分布核密度函数或均匀分布窗函数，优选地为均匀分布窗函数，其中在各数据中心与质心距离超过聚类半径时，均匀分布窗函数的取值为0，否则为1。此外，所述加权的一维均值漂移聚类算法中可以采用切比雪夫距离。此外，所述加权的一维均值漂移聚类算法的迭代终止条件可以为均值漂移小于预设数值(例如1.0mm)。

下面参照图4和图5来描述上述采用均值漂移聚类算法的分块处理的优点。图4A和图4B分别示出了对针对激光钻孔处理的激光加工数据执行现有技术的分块处理和上述采用均值漂移聚类算法的分块处理所获得的分块数据的示意图。具体地，分块参数可以如下进行设定：分块长度为50mm，分块宽度为50mm，分块间重叠量为3mm。从图4A可以看出，利用现有技术的分块处理获得28个分块；从图4B可以看出，采用上述采用均值漂移聚类算法的分块处理获得25个分块。需要说明的是，在此示例中，Piece单元特征不够明显，但是利用上述采用均值漂移聚类算法的分块处理，得到了相对较少的分块 数目，同时分块内部的数据相对分块中心聚集度更高，也获得了几个一致性重复图样分块。

图5A和图5B分别示出了对针对激光切割处理的激光加工数据执行现有技术的分块处理和上述采用均值漂移聚类算法的分块处理所获得的分块数据的示意图。具体地，分块参数可以如下进行设定：分块长度为40mm，分块宽度为40mm，分块间重叠量为5mm。从图5A可以看出，利用现有技术的分块处理方法获得77个分块；从图5B可以看出，采用上述采用均值漂移聚类算法的分块处理获得53个分块。在此示例中，具有较为显著的Piece单元特征，利用本发明实施例提供的分块处理，明显获得相对较少的分块数目，分块数目减少32％；同时分块内部的数据相对分块中心聚集度更高；获得较多的一致性重复图样分块。

此外，在处理设备的具体配置为例如Intel Core2Duo CPU E8400@3.00GHz、2G内存和WinXP操作系统的条件下，利用上述采用均值漂移聚类算法的分块处理对上述两种示例性激光加工数据的数据处理计算耗时约为数百毫秒量级。这说明上述采用均值漂移聚类算法的分块处理的处理速度较快。

于另一种具体实施方式中，所述子步骤S260还可以通过以下方式来实现：针对由所述M个第一坐标轴初始区间和所述N个第二坐标轴初始区间构成的M×N个二维小区间，计算所述实体中包含在每个所述二维小区间内的所有实体的数目，作为该二维小区间的第三投票数；依据所述第三投票数对所述M×N个二维小区间执行加权的二维均值漂移聚类算法。类似于上述一维均值聚类算法，可以以每个二维小区间的中心点为数据点，并以每个所述第三投票数作为相应二维小区间的加权值执行加权的二维均值漂移聚类算法。每执行一次加权的二维均值漂移聚类算法，可以获得一个数据密度最高的二维小区间，之后去除以所述数据密度最高的二维小区间的中心点为中心、以聚类半径为半径的圆内的所有二维小区间，再对剩余的二维小区间执行所述加权的二维均值漂移聚类算法，重复此步骤直至不再剩余有二维小区间，即可获得分块数据。

对于不太常见的具有不规则稀疏空间分布的激光加工数据，采用加权的二维均值漂移聚类算法可以获得较好的效果。然而，对于普遍的多Piece阵列分布数据，加权的二维均值漂移聚类算法的优势并不显著，计算也更为耗时。例如，在加工数据包含有上百万实体时，在处理设备的具体配置为Intel Core2Duo CPU E8400@3.00GHz、2G内存和WinXP操作系统的条件下，采用加权的二维均值漂移聚类算法的计算耗时约为数秒至十余秒。

类似于上述加权的一维均值漂移聚类算法，所述加权的二维均值漂移聚类算法采用的聚类半径优选地也可以为预设分块的长度或宽度的一半，其采用的核密度函数也可以为高斯分布核密度函数或均匀分布窗函数，其也可以采用切比雪夫距离，并且其迭代终止条件也可以为均值漂移小于预设数值(例如1.0mm)。本文中可以将加权的一 维均值漂移聚类算法和加权的二维均值聚类算法统称为加权的均值聚类算法。

在步骤S300中，根据所获得的分块数据执行激光加工。

获得分块数据之后，可以对分块数据表示的各个分块进行分块排序，例如以各个分块的中心为坐标点施行欧几里德TSP(旅行商问题)最短路径遍历来进行排序。之后，可以针对各个分块内部优化其内部实体排序，得到优化的扫描振镜路径，从而得到整板的激光加工序列，以便于使XY工作台和扫描振镜依据所述激光加工序列相配合地执行激光加工制程。上述内部实体排序可以以欧几里德TSP最短路径、X方向优先遍历、Y方向优先遍历或其他合适的规则施行，本发明具体实施方式并不以此为限。

可替代地，于一种具体实施方式中，上述步骤S200中“对所述激光加工数据进行均值漂移聚类运算”还可以通过以下方式来实现：获取所述激光加工数据表示的各个实体，所述实体包括直径小于或等于分块间重叠量参数的圆和圆弧以及长度小于或等于所述分块间重叠量参数的线段；获取每个所述实体在预设二维坐标系下的坐标值；依据所述坐标值对所述实体进行未加权的均值漂移聚类运算。也就是说，可以在不进行初始区间划分处理的情况下直接进行均值漂移聚类运算，由于此情况下并不存在投票数，所以其也可以被称为未加权的均值漂移聚类运算。实体的获得方式可以参见上文的相关内容，此处不再赘述。

要注意的是，所述未加权的均值漂移聚类运算可以为未加权的一维均值漂移聚类运算，即可以先针对二维坐标系的一个坐标轴进行此未加权的一维均值漂移聚类运算，之后再针对该二维坐标系的另一坐标轴进行此未加权的一维均值漂移聚类运算；此外，所述未加权的均值漂移聚类运算还可以为未加权的二维均值漂移聚类运算。除了以各 个实体的中心(即各圆弧的中心和线段的中心)为数据点并且不存在加权值之外，未加权的均值漂移聚类运算类似于上述加权的均值漂移聚类运算，具体细节可以参见上文的相关内容，此处不再进行赘述。与加权的均值漂移聚类运算相比，利用未加权的均值漂移聚类运算所获得的数据分块的分块内部数据相对于分块中心聚集度更优，但这样的运算较耗时。

所述非加权的均值漂移聚类算法中也可以采用与所述加权的均值漂移聚类算法相类似的聚类半径、核密度函数以及迭代终止条件，并且所述非加权的均值漂移聚类算法中也可以采用切比雪夫距离。

当所述激光加工数据包括多个图层的图层数据时，还可以分别针对每个图层的图层数据进行上述加权的均值漂移聚类运算或非加权的均值聚类算法。也就是说，可以针对每个图层获得分块数据，使得可以提高工艺灵活性、工艺质量效果和加工精度。

在本发明实施例提供的激光加工方法中，通过对所获取的包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行均值漂移聚类运算，获得对应的分块数据并相应进行激光加工。本发明实施例提供的技术方案中基于“均值漂移聚类”算法对激光加工数据进行分块处理，使得可以以统一的数据分块处理流程对包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行智能分块处理，其算法复杂度较低并且简单有效。利用这样的分块处理方法，可以在不增加激光钻孔机、激光切割机硬件配置的条件下：有效减少分块数目，从而提高综合加工效率；有效降低每个分块内数据空间分布的离散化程度，使得分块内部数据更趋向于分块中心密集分布，从而有效地提高综合加工精度；此外，保证大概率地一致性分割每个Panel上阵列分布的Piece单元重复图样作为分 块，从而大概率地保证每个panel上Piece单元间的激光加工工艺效果一致性。

相应地，本发明实施例还提供了一种激光加工装置。如图6所示，本发明实施例提供的激光加工装置600可以包括获取单元610、分块单元620以及执行单元630。

所述获取单元610可以用于获取激光加工数据，所述激光加工数据包括用于激光钻孔处理和激光切割处理中至少之一的加工数据。

所述分块单元620可以用于对所述激光加工数据进行均值漂移聚类运算，获得所述激光加工数据对应的分块数据。

所述执行单元630可以用于根据所获得的分块数据执行激光加工。

所述获取单元610、所述分块单元620以及所述执行单元630的具体功能可以参见上述激光加工方法中的相应描述，在此不再赘述。所述激光加工装置600可以例如承载于上述处理设备。此外，术语“单元”包括可以实现预定功能的软件和/或硬件的组合。尽管本实施例所描述的单元较佳地以软件来实现，但是硬件、或者软件和硬件的组合的实现也是可能并被构想的。

此外，本发明实施例还提供了一种具有处理器可执行的非易失性程序代码的计算机可读介质，所述程序代码在被所述处理器执行时使所述处理器执行下述方法：获取激光加工数据，所述激光加工数据包括用于激光钻孔处理和激光切割处理中至少之一的加工数据；对所述激光加工数据进行均值漂移聚类运算，获得所述激光加工数据对应的分块数据；以及根据所获得的分块数据执行激光加工。

另外，该计算机可读介质还可以被设置为存储用于执行激光加工方法的其他程序代码。可选地，在本实施例中，上述计算机可读介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，ROM)、 随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明实施例提供的激光加工方法及装置中，通过对所获取的包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行均值漂移聚类运算，获得对应的分块数据并相应进行激光加工。本发明实施例提供的技术方案中基于“均值漂移聚类”算法对激光加工数据进行分块处理，使得可以以统一的数据分块处理流程对包括用于激光钻孔处理和激光切割处理中至少之一的加工数据的激光加工数据进行智能分块处理，其算法复杂度较低并且简单有效。利用这样的分块处理方法，可以有效减少分块数目，从而提高综合加工效率；可以有效降低每个分块内数据空间分布的离散化程度，使得分块内部数据更趋向于分块中心密集分布，从而有效地提高综合加工精度；此外，还可以保证大概率地一致性分割每个Panel上阵列分布的Piece单元重复图样作为分块，从而大概率地保证每个panel上Piece单元间的激光加工工艺效果一致性。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的若干个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或若干个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基板并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程 图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。