一种用于半导体芯片产品的激光雕刻装置及控制方法

技术领域

本发明涉及激光雕刻技术领域，尤其涉及一种用于半导体芯片产品的激光雕刻装置及控制方法。

背景技术

激光对半导体材料的加工一直以来都是半导体行业的热门研究课题，紫外激光加工硅、SOI、碳化硅、石英、蓝宝石等半导体材料在半导体行业更是得到了广泛的应用。现如今，在激光加工领域中通过融合机器视觉技术，能够达到精准控制激光雕刻的加工过程，从而来降低加工雕刻过程中产生的废品。然而，现如今对于激光雕刻的加工过程中，对于工件的视觉定位精度低下，导致了激光雕刻的加工精度低下，无法达到预期的效果。

发明内容

本发明克服了现有技术的不足，提供了一种用于半导体芯片产品的激光雕刻装置及控制方法。

为达上述目的，本发明采用的技术方案为：

本发明第一方面提供了一种用于半导体芯片产品的激光雕刻装置的控制方法，其特征在于，包括以下步骤：

获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵；

引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵；

根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域；

通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，并根据异常的雕刻区域生成相关的控制参数。

进一步的，在本方法中，获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵，具体包括：

获取当前激光雕刻装置的实际工作范围信息，并根据当前激光雕刻装置的实际工作范围信息配置若干摄像装置，通过摄像装置获取半导体芯片产品在装夹后的多方向图像数据信息；

将多方向图像数据信息划分为多个相等的子集，并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息，得到处理后的图像信息；

通过对处理后的图像信息进行去彩色化处理，并采用边缘保持滤波进行滤波处理，获取预处理后的特征图像信息，基于预处理后的特征图像信息构建相关的图像特征矩阵。

进一步的，在本方法中，引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵，具体包括：

引入奇异值分解算法，并通过奇异值分解算法对相关的图像特征矩阵进行降维处理，生成若干特征向量，并基于特征向量生成由特征向量按列组成的特征矩阵；

获取由特征向量按列组成的特征矩阵中每个方向上的最大特征向量，构建新的坐标系，并以每个方向上的最大特征向量作为基准点，基于基准点构建新的三维空间；

基于坐标系，将由特征向量按列组成的特征矩阵中的特征向量依次输入到新的三维空间中进行重建，获取处理后的特征矩阵；

将处理后的特征矩阵中的每个特征向量重新映射到世界坐标系中，生成重建后的特征矩阵。

进一步的，在本方法中，根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域，具体包括以下步骤：

获取半导体芯片产品的图纸信息，并根据半导体芯片产品的图纸信息构建半导体产品的三维模型，通过特征金字塔网络获取半导体产品的三维模型的模型特征；

基于深度神经网络构建特征识别模型，并根据模型特征构建第一图节点，基于半导体产品的三维模型构建第二图节点，通过无向边描述，将第一图节点以及第二图节点进行连接，生成拓扑结构图；

在卷积层中融合循环空间注意力机制，通过循环空间注意力机制计算第一图节点的注意力特征图，并对注意力特征图中的每个图节点进行SoftMax操作，生成具有空间注意力的特征图，对具有空间注意力的特征图以及第一图节点进行内积运算，得到最终的注意力特征图；

将最终的注意力特征图输入到特征识别模型中，更新隐含层的状态，输出特征识别模型，将重建后的特征矩阵输入到特征识别模型中，对半导体芯片产品在装夹后的位置进行跟踪定位，获取定位信息，基于定位信息获取半导体芯片产品的待雕刻区域。

进一步的，在本方法中，通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，具体包括：

获取激光雕刻装置在各加工参数之下半导体芯片产品出现的异常特征数据信息，并将各加工参数作为变量节点，将异常特征数据信息作为父节点，将变量节点以及父节点输入到贝叶斯网络中进行异常概率估算，获取异常概率值；

根据异常概率值构建异常概率值特征矩阵，并基于卷积神经网络构建异常概率预测模型，并将异常概率值特征矩阵输入到异常概率预测模型中进行训练，获取训练完成的异常概率预测模型；

获取激光雕刻装置的实时加工参数数据信息，并将激光雕刻装置的实时加工参数数据信息输入到训练完成的异常概率预测模型中进行异常概率值估计，获取实时的异常概率值；

当异常概率值大于预设异常概率值时，将获取异常概率值大于预设异常概率值的加工时间节点所对应的雕刻区域，将该雕刻区域作为异常的雕刻区域。

进一步的，在本方法中，根据异常的雕刻区域生成相关的控制参数，具体包括以下步骤：

获取异常的雕刻区域的修复完成概率值，并根据异常的雕刻区域的修复完成概率值构建大数据，通过大数据获取当前异常的雕刻区域的历史修复完成概率值；

判断当前异常的雕刻区域的历史修复完成概率值是否大于预设修复完成概率值，当当前异常的雕刻区域的历史修复完成概率值不大于预设修复完成概率值时，则对对应的半导体芯片产品进行报废处理；

当当前异常的雕刻区域的历史修复完成概率值大于预设修复完成概率值时，则通过大数据获取当前异常的雕刻区域的历史最佳激光雕刻参数数据信息；

获取当前激光雕刻装置的实时光雕刻参数数据信息，根据当前异常的雕刻区域的历史最佳激光雕刻参数数据信息对当前激光雕刻装置的实时光雕刻参数数据信息进行调控，生成相关的控制参数。

本发明第二方面提供了一种用于半导体芯片产品的激光雕刻装置，包括：

获取模块，通过获取模块获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵；

第一数据处理模块，通过第一数据处理模块来引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵；

第二数据处理模块，通过第二数据处理模块根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域；

控制模块，通过控制模块对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，并根据异常的雕刻区域生成相关的控制参数。

进一步的，在本装置的第一数据处理模块中，其中，引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵，具体包括：

引入奇异值分解算法，并通过奇异值分解算法对相关的图像特征矩阵进行降维处理，生成若干特征向量，并基于特征向量生成由特征向量按列组成的特征矩阵；

获取由特征向量按列组成的特征矩阵中每个方向上的最大特征向量，构建新的坐标系，并以每个方向上的最大特征向量作为基准点，基于基准点构建新的三维空间；

基于坐标系，将由特征向量按列组成的特征矩阵中的特征向量依次输入到新的三维空间中进行重建，获取处理后的特征矩阵；

将处理后的特征矩阵中的每个特征向量重新映射到世界坐标系中，生成重建后的特征矩阵。

进一步的，在本装置的第二数据处理模块中，其中，根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域，具体包括以下步骤：

获取半导体芯片产品的图纸信息，并根据半导体芯片产品的图纸信息构建半导体产品的三维模型，通过特征金字塔网络获取半导体产品的三维模型的模型特征；

基于深度神经网络构建特征识别模型，并根据模型特征构建第一图节点，基于半导体产品的三维模型构建第二图节点，通过无向边描述，将第一图节点以及第二图节点进行连接，生成拓扑结构图；

在卷积层中融合循环空间注意力机制，通过循环空间注意力机制计算第一图节点的注意力特征图，并对注意力特征图中的每个图节点进行SoftMax操作，生成具有空间注意力的特征图，对具有空间注意力的特征图以及第一图节点进行内积运算，得到最终的注意力特征图；

将最终的注意力特征图输入到特征识别模型中，更新隐含层的状态，输出特征识别模型，将重建后的特征矩阵输入到特征识别模型中，对半导体芯片产品在装夹后的位置进行跟踪定位，获取定位信息，基于定位信息获取半导体芯片产品的待雕刻区域。

进一步的，在本装置的控制模块中，其中，通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，具体包括：

获取激光雕刻装置在各加工参数之下半导体芯片产品出现的异常特征数据信息，并将各加工参数作为变量节点，将异常特征数据信息作为父节点，将变量节点以及父节点输入到贝叶斯网络中进行异常概率估算，获取异常概率值；

根据异常概率值构建异常概率值特征矩阵，并基于卷积神经网络构建异常概率预测模型，并将异常概率值特征矩阵输入到异常概率预测模型中进行训练，获取训练完成的异常概率预测模型；

获取激光雕刻装置的实时加工参数数据信息，并将激光雕刻装置的实时加工参数数据信息输入到训练完成的异常概率预测模型中进行异常概率值估计，获取实时的异常概率值；

当异常概率值大于预设异常概率值时，将获取异常概率值大于预设异常概率值的加工时间节点所对应的雕刻区域，将该雕刻区域作为异常的雕刻区域。

本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

本发明通过获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵，从而引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵，进而根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域，最后通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，并根据异常的雕刻区域生成相关的控制参数。本发明通过融合奇异值分解算法，从而来对多方向的图像数据进行特征重建，从而降低由于摄像结构摄像时所带来的冗余范围，提高对待雕刻的半导体产品的定位，从而提高激光雕刻装置的加工控制精度。另一方面，本发明融合了循环空间注意力机制、深度神经网络以及特征金字塔网络，能够抑制多尺度的特征信息所带来的干扰，从而来提高对待雕刻的半导体产品的跟踪精度，进而提高激光雕刻装置的加工控制精度。

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，下面将对实施例或现有技术描述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实施例的附图。

图1示出了用于半导体芯片产品的激光雕刻装置的控制方法的整体方法流程图；；

图2示出了用于半导体芯片产品的激光雕刻装置的控制方法的第一方法流程图；

图3示出了用于半导体芯片产品的激光雕刻装置的控制方法的第二方法流程图；

图4示出了用于半导体芯片产品的激光雕刻装置的装置示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明第一方面提供了一种用于半导体芯片产品的激光雕刻装置的控制方法，其特征在于，包括以下步骤：

S102:获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵；

S104:引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵；

S106:根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域；

S108:通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，并根据异常的雕刻区域生成相关的控制参数。

需要说明的是，本发明通过融合奇异值分解算法，从而来对多方向的图像数据进行特征重建，从而降低由于摄像结构摄像时所带来的冗余范围，提高对待雕刻的半导体产品的定位，从而提高激光雕刻装置的加工控制精度。另一方面，本发明融合了循环空间注意力机制、深度神经网络以及特征金字塔网络，能够抑制多尺度的特征信息所带来的干扰，从而来提高对待雕刻的半导体产品的跟踪精度，进而提高激光雕刻装置的加工控制精度。

进一步的，在本方法中，获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵，具体包括：

获取当前激光雕刻装置的实际工作范围信息，并根据当前激光雕刻装置的实际工作范围信息配置若干摄像装置，通过摄像装置获取半导体芯片产品在装夹后的多方向图像数据信息；

将多方向图像数据信息划分为多个相等的子集，并在每个子集中采用基于平均融合的方法降低每个子集的冗余信息，得到处理后的图像信息；

通过对处理后的图像信息进行去彩色化处理，并采用边缘保持滤波进行滤波处理，获取预处理后的特征图像信息，基于预处理后的特征图像信息构建相关的图像特征矩阵。

需要说明的是，激光雕刻装置由于工作的限制性会有一定的实际工作范围，如激光雕刻装置能够在2米长、2米宽、2米高的区域进行工作。

需要说明的是，根据当前激光雕刻装置的实际工作范围信息配置若干摄像装置，具体包括：

配置若干摄像装置，并初始化摄像装置的安装位置以及安装角度，根据摄像装置的安装位置以及安装角度计算出每一摄像装置的工作范围信息，并统计每一摄像装置的工作范围信息，生成总的工作范围信息；

引入遗传算法，并根据遗传算法设置遗传代数，判断总的工作范围信息是否不小于当前激光雕刻装置的实际工作范围信息，若不小于，则输出摄像装置的安装位置以及安装角度；

当总的工作范围信息小于当前激光雕刻装置的实际工作范围信息时，通过遗传算法进行遗传代数遗传，调整摄像装置的安装位置以及安装角度；

直至总的工作范围信息不小于当前激光雕刻装置的实际工作范围信息时，输出摄像装置的安装位置以及安装角度，并根据摄像装置的安装位置以及安装角度配置摄像装置。

需要说明的是，通过本方法能进一步提高摄像装置的安装位置以及安装角度的合理性，提高数据监测的合理性，为当前激光雕刻装置的定位提供控制基础。

进一步的，在本方法中，引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵，具体包括：

引入奇异值分解算法，并通过奇异值分解算法对相关的图像特征矩阵进行降维处理，生成若干特征向量，并基于特征向量生成由特征向量按列组成的特征矩阵；

获取由特征向量按列组成的特征矩阵中每个方向上的最大特征向量，构建新的坐标系，并以每个方向上的最大特征向量作为基准点，基于基准点构建新的三维空间；

基于坐标系，将由特征向量按列组成的特征矩阵中的特征向量依次输入到新的三维空间中进行重建，获取处理后的特征矩阵；

将处理后的特征矩阵中的每个特征向量重新映射到世界坐标系中，生成重建后的特征矩阵。

需要说明的是，由于摄像装置由于视角的问题，所采集到的图像信息产生大量的冗余范围，通过本方法能够对图像进行重建，从而能够优化定位的范围区域，从而提高激光雕刻装置的定位精度，进而提高激光雕刻装置的控制精度。

进一步的，在本方法中，根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域，具体包括以下步骤：

获取半导体芯片产品的图纸信息，并根据半导体芯片产品的图纸信息构建半导体产品的三维模型，通过特征金字塔网络获取半导体产品的三维模型的模型特征；

基于深度神经网络构建特征识别模型，并根据模型特征构建第一图节点，基于半导体产品的三维模型构建第二图节点，通过无向边描述，将第一图节点以及第二图节点进行连接，生成拓扑结构图；

在卷积层中融合循环空间注意力机制，通过循环空间注意力机制计算第一图节点的注意力特征图，并对注意力特征图中的每个图节点进行SoftMax操作，生成具有空间注意力的特征图，对具有空间注意力的特征图以及第一图节点进行内积运算，得到最终的注意力特征图；

将最终的注意力特征图输入到特征识别模型中，更新隐含层的状态，输出特征识别模型，将重建后的特征矩阵输入到特征识别模型中，对半导体芯片产品在装夹后的位置进行跟踪定位，获取定位信息，基于定位信息获取半导体芯片产品的待雕刻区域。

需要说明的是，根据半导体芯片产品的图纸信息通过三维建模软件来构建半导体产品的三维模型，如SolidWorks、UG等三维建模软件，本发明融合了循环空间注意力机制、深度神经网络以及特征金字塔网络，能够抑制多尺度的特征信息所带来的干扰，从而来提高对待雕刻的半导体产品的跟踪精度，进而提高激光雕刻装置的加工控制精度。通过机器视觉的定位，来确定工件的位置、待雕刻的区域、各加工要素的所在区域等。；

进一步的，在本方法中，通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，具体包括：

S202:获取激光雕刻装置在各加工参数之下半导体芯片产品出现的异常特征数据信息，并将各加工参数作为变量节点，将异常特征数据信息作为父节点，将变量节点以及父节点输入到贝叶斯网络中进行异常概率估算，获取异常概率值；

S204:根据异常概率值构建异常概率值特征矩阵，并基于卷积神经网络构建异常概率预测模型，并将异常概率值特征矩阵输入到异常概率预测模型中进行训练，获取训练完成的异常概率预测模型；

S206:获取激光雕刻装置的实时加工参数数据信息，并将激光雕刻装置的实时加工参数数据信息输入到训练完成的异常概率预测模型中进行异常概率值估计，获取实时的异常概率值；

S208:当异常概率值大于预设异常概率值时，将获取异常概率值大于预设异常概率值的加工时间节点所对应的雕刻区域，将该雕刻区域作为异常的雕刻区域。

需要说明的是，加工参数包括雕刻参数、雕刻头的移动进给速度等。通过本方法能够精准地识别出异常雕刻参数导致的异常的雕刻区域。

如图3所示，进一步的，在本方法中，根据异常的雕刻区域生成相关的控制参数，具体包括以下步骤：

S302:获取异常的雕刻区域的修复完成概率值，并根据异常的雕刻区域的修复完成概率值构建大数据，通过大数据获取当前异常的雕刻区域的历史修复完成概率值；

S304:判断当前异常的雕刻区域的历史修复完成概率值是否大于预设修复完成概率值，当当前异常的雕刻区域的历史修复完成概率值不大于预设修复完成概率值时，则对对应的半导体芯片产品进行报废处理；

S306:当当前异常的雕刻区域的历史修复完成概率值大于预设修复完成概率值时，则通过大数据获取当前异常的雕刻区域的历史最佳激光雕刻参数数据信息；

S308:获取当前激光雕刻装置的实时光雕刻参数数据信息，根据当前异常的雕刻区域的历史最佳激光雕刻参数数据信息对当前激光雕刻装置的实时光雕刻参数数据信息进行调控，生成相关的控制参数。

需要说明的是，异常的雕刻区域可能是可以修复也可能是不可修复的，通过本方法能够进一步提高半导体产品在加工过程中的合理性。

此外，本方法还可以包括以下步骤：

获取当前半导体芯片产品的加工订单信息，并通过特征金字塔塔对所述当前半导体芯片产品的加工订单信息进行特征提取，获取加工订单的激光雕刻特征需求信息；

获取目标区域中加工企业的加工要素范围特征数据信息，并构建区块链网络，将所述目标区域中加工企业的加工要素范围特征数据信息输入到所述区块链网络中进行共享；

当加工订单的激光雕刻特征需求信息不在当前加工企业的加工要素范围特征数据信息之内时，将所述加工订单的激光雕刻特征需求信息输入到区块链网络中进行数据匹配，并获取加工订单的激光雕刻特征需求信息在加工要素范围特征数据信息之内的候选加工企业；

获取候选加工企业的历史交货效率数据信息，根据所述历史交货效率数据信息对候选加工企业进行排序，基于排序结果获取最大历史交货效率数据信息的加工企业，并生成推荐信息。

需要说明的是，实际上某一企业可能是不适合当前加工订单的激光雕刻特征需求信息（如雕刻精度、不支持半导体材料的加工），标区域中加工企业的加工要素范围特征数据信息包括雕刻精度、雕刻加工范围等数据，通过本方法能够进一步提高用户选取最佳的加工企业进行加工。

此外，本方法还可以包括以下步骤：

通过在加工企业布置电磁波监测装置，并通过所述电磁波监测装置获取当前加工企业的电磁波波长数据信息；

通过大数据获取各电磁波波长数据信息之下的激光雕刻装置在加工过程中出现加工异常的异常概率值，并构建数据库，将所述各电磁波波长数据信息之下的激光雕刻装置在加工过程中出现加工异常的异常概率值输入到所述数据库中存储；

将所述当前加工企业的电磁波波长数据信息输入到数据库中进行数据匹配，获取当前激光雕刻装置在加工过程中出现加工异常的异常概率值；

当所述当前激光雕刻装置在加工过程中出现加工异常的异常概率值大于预设概率值时，生成停止加工指令，根据所述停止加工指令控制激光雕刻装置停止加工。

需要说明的是，根据所述停止加工指令控制激光雕刻装置停止加工，避免因电磁波干扰所带来的加工异常，从而挽回了经济损失。

如图4所示，本发明第二方面提供了一种用于半导体芯片产品的激光雕刻装置，包括：

获取模块10，通过获取模块获取半导体芯片产品在装夹后的多方向图像数据信息，并通过对半导体芯片产品在装夹后的多方向图像数据信息进行预处理，生成相关的图像特征矩阵；

第一数据处理模块20，通过第一数据处理模块来引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵；

第二数据处理模块30，通过第二数据处理模块根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域；

控制模块40，通过控制模块对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，并根据异常的雕刻区域生成相关的控制参数。

进一步的，在本装置的第一数据处理模块中，其中，引入奇异值分解算法，通过奇异值分解算法对相关的图像特征矩阵进行重建，并获取重建后的特征矩阵，具体包括：

引入奇异值分解算法，并通过奇异值分解算法对相关的图像特征矩阵进行降维处理，生成若干特征向量，并基于特征向量生成由特征向量按列组成的特征矩阵；

获取由特征向量按列组成的特征矩阵中每个方向上的最大特征向量，构建新的坐标系，并以每个方向上的最大特征向量作为基准点，基于基准点构建新的三维空间；

基于坐标系，将由特征向量按列组成的特征矩阵中的特征向量依次输入到新的三维空间中进行重建，获取处理后的特征矩阵；

将处理后的特征矩阵中的每个特征向量重新映射到世界坐标系中，生成重建后的特征矩阵。

进一步的，在本装置的第二数据处理模块中，其中，根据重建后的特征矩阵对半导体芯片产品在装夹后的位置进行定位，获取定位信息，并基于定位信息获取半导体芯片产品的待雕刻区域，具体包括以下步骤：

获取半导体芯片产品的图纸信息，并根据半导体芯片产品的图纸信息构建半导体产品的三维模型，通过特征金字塔网络获取半导体产品的三维模型的模型特征；

基于深度神经网络构建特征识别模型，并根据模型特征构建第一图节点，基于半导体产品的三维模型构建第二图节点，通过无向边描述，将第一图节点以及第二图节点进行连接，生成拓扑结构图；

在卷积层中融合循环空间注意力机制，通过循环空间注意力机制计算第一图节点的注意力特征图，并对注意力特征图中的每个图节点进行SoftMax操作，生成具有空间注意力的特征图，对具有空间注意力的特征图以及第一图节点进行内积运算，得到最终的注意力特征图；

将最终的注意力特征图输入到特征识别模型中，更新隐含层的状态，输出特征识别模型，将重建后的特征矩阵输入到特征识别模型中，对半导体芯片产品在装夹后的位置进行跟踪定位，获取定位信息，基于定位信息获取半导体芯片产品的待雕刻区域。

进一步的，在本装置的控制模块中，其中，通过对半导体芯片产品的雕刻区域进行监测，获取异常的雕刻区域，具体包括：

获取激光雕刻装置在各加工参数之下半导体芯片产品出现的异常特征数据信息，并将各加工参数作为变量节点，将异常特征数据信息作为父节点，将变量节点以及父节点输入到贝叶斯网络中进行异常概率估算，获取异常概率值；

根据异常概率值构建异常概率值特征矩阵，并基于卷积神经网络构建异常概率预测模型，并将异常概率值特征矩阵输入到异常概率预测模型中进行训练，获取训练完成的异常概率预测模型；

获取激光雕刻装置的实时加工参数数据信息，并将激光雕刻装置的实时加工参数数据信息输入到训练完成的异常概率预测模型中进行异常概率值估计，获取实时的异常概率值；

当异常概率值大于预设异常概率值时，将获取异常概率值大于预设异常概率值的加工时间节点所对应的雕刻区域，将该雕刻区域作为异常的雕刻区域。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，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以权利要求的保护范围为准。