企业官网建设流程全解析

简介：这是一份系统讲解图像传感器核心知识的教学PPT课件，适合电子、自动化、物联网及机器视觉方向学生和工程技术人员作为入门与进阶学习资料。课件从图像检测系统的图像输入、处理、输出三部分切入，重点阐述CCD和CMOS图像传感器的基本工作原理、主要参数及选型方法，并对比两者灵敏度、信噪比、集成度等性能差异。内容还详细拆解了光敏元、转移栅、移位寄存器等CCD内部组件，结合虹吸雨量类比帮助理解电荷转移过程；同时介绍分光棱镜与拜耳滤色片的彩色成像方案，以及光谱灵敏度、动态范围、分辨率等关键参数。资源包共1个文件，为PPTX格式，压缩包大小4.87MB，内容结构清晰，可直接用于课堂教学、自主复习或图像传感器选型参考。目前已有284人学习浏览，配套实训课题与本章小结便于检验掌握程度。

1. 图像传感器课件：不只是PPT，更是一套CCD/CMOS选型与检测系统的落地框架

这份图像传感器PPT课件表面上是一门课件资料，但实际拆开看，它把CCD与CMOS两类传感器从物理结构、电荷转移原理、色彩获取方案一直讲到参数选型与检测系统搭建，是一份能直接支撑“图像获取→信号处理→特征输出”这条完整链路的教学型资源。对刚接触机器视觉的从业者来说，它最大的价值不在于背诵定义，而在于把“光信号怎么变成电信号、电信号又怎么变成可用数据”这件事彻底讲透了。我拆这份课件时最直观的感受是：它比很多纯理论教材更贴近工程落地，学完能直接上手搭一套简易图像检测实验。

2. CCD电荷转移与像素结构：弄清势阱、三相时钟与线阵/面阵选型

2.1 电荷耦合的核心机制：势阱、电荷包与三相时钟

CCD的工作原理是这份课件里讲得最细的部分，也是大多数人第一次接触时最容易卡壳的地方。它的核心不是光电转换，而是电荷的“存储”和“搬移”。课件里用了一个非常形象的类比：雨滴是光子，小盆是光敏元，盆的深度代表势阱容量，虹吸泵是移位寄存器，雨量筒是输出放大器。这个类比把抽象的半导体内电荷行为翻译成了宏观可见的过程，理解起来轻松很多。

CCD的光敏元本质是一个MOS电容器结构，光照射后产生电子-空穴对，电子被收集在势阱里形成电荷包。关键问题是：电荷包怎么从感光区域挪到输出端？答案就是多相时钟驱动。课件里举的是三相CCD的例子，具体过程是：

时刻t1: φ1高电压, φ2/φ3低电压 → 第1、4、7组电极下形成深势阱, 存储电荷 时刻t2: φ1线性下降, φ2升为高电压 → 第1组势阱变浅, 第2组形成深势阱, 电荷开始转移 时刻t3: φ2维持高电压, φ1/φ3低电压 → 电荷全部转移到第2、5、8组电极下

这个“一相高、两相低→轮换”的过程每循环一次，电荷包就前进一组电极，经过若干周期后从输出端读出来。相位数量决定了CCD的传输效率，三相只是入门，工程上还有两相和四相设计，四相CCD把每个电极再做细分，能有效减少亚稳态残留电荷，但驱动电路复杂度也相应上升。

参数层面的关键点在于电极间距与势阱容量的配合。势阱太浅会导致满阱电荷溢出到相邻像元，产生“花晕”现象；电极间距太大又会降低电荷转移效率，因为电荷包在间隙处容易滞留。课件里没有展开讲花晕抑制技术，但实际工程中，过载溢流沟道（LOD）几乎是面阵CCD的标准配置，目的就是把多余电荷导走，防止污染相邻像素。

选型时还有一个容易忽略的点：线阵CCD和面阵CCD的应用场景差异很大。线阵传感器只有一行感光单元，靠物体相对运动逐行扫描成像，常用于扫描仪、传真机、条码识别这类匀速运动的场景；面阵传感器则是二维感光阵列，一次曝光得到整幅图像，适合相机、摄像机、工业检测这类需要捕获空间关系的场景。同一份课件资料里两者都有结构图，对照着看能明显感受到结构复杂度不在一个量级——面阵CCD的驱动时序更复杂，但换来了二维空间信息的直接获取能力。

2.2 彩色成像的两种路线：分光棱镜与Bayer滤色阵列

CCD本身对波长不敏感，它在光电转换过程中只记录光子的“数量”而不区分“颜色”。想要彩色图像，硬件层必须先把颜色信息分离出来。课件里给出了两条经典路线，这两条路线至今仍是工业相机设计的分水岭。

第一种是3CCD方案：光线进入镜头后经过分光棱镜，被拆成红、绿、蓝三束光，分别投射到三片独立的CCD上。每片CCD只响应一种颜色分量，三路信号在后续电路中合成彩色图像。这个方案的优点很直接——每个像素都能获得完整的RGB信息，色彩还原度极高，不存在插值误差；缺点同样明显，棱镜组装配精度要求极高，稍有偏差就会导致三路图像错位，而且三片传感器的成本让绝大多数消费级产品望而却步。实际用这种方案的都是广播级摄像机或高端工业相机。

第二种是单CCD加Bayer滤色阵列方案，这也是目前绝大多数手机相机和消费级相机的底层逻辑。Bayer阵列的基本排布是2×2单元，包含1个R、1个B、2个G滤光片。绿色占两个位置的理由在课件里讲到了：人眼对绿色波长的敏感度最高，让绿色通道拥有更高采样密度，视觉上更接近真实感知。但这个方案有一个绕不开的问题——每个像素只记录了一种颜色分量，最终输出RGB三通道数据必须经过色彩插值算法补齐，这就引入了伪彩和边缘锯齿的风险。

两种方案放到实际选型里看：3CCD适合对颜色精度有硬性要求的场景，比如医疗成像、艺术品数字化；Bayer方案适合成本和体积敏感的场景，比如工业检测中的表面缺陷识别、物流分拣。课件里明确提到Bayer方案的色彩分辨率不如感光分辨率，这句话的实际含义是：插值出来的颜色本身就带有不确定性，在应用层做颜色判断时需要留出更大的容差范围。

2.3 CCD关键参数解读：分辨率、动态范围与非线性度

课件第七章第三节列出了CCD图像传感器的基本参数：光谱灵敏度、动态范围、非均匀性、非线性度、分辨率。这些都是选型时的硬指标，但课件里讲得偏教材化，我结合实际工程解读一下。

分辨率是大家最熟悉的参数，但课件特别强调分辨率分两种：空间分辨率用像素数描述，决定图像能分辨多小的物理细节；灰度值分辨率描述亮度量化等级，常见是8bit即256级。工程上两者需要匹配考虑——像素够高但灰度量化不够，会把微弱特征抹平；灰度位数高但像素不够，又会丢失空间细节。做缺陷检测时经常遇到这种情况：表面划痕可能在256级灰度下对比度很低，这时候是否选择12bit相机就成了关键决策点。

动态范围的定义是“最大未饱和信号与最弱可响应信号的比值”，单位通常用dB或bit表示。这里面有个工程陷阱：标称动态范围大的相机不一定意味着低光表现好，因为暗电流本身限制了信号下限。课件里那句“数字图像一般用DN表示”指的就是灰度量化值，这个值越大，意味着能同时看清亮部和暗部的细节越多。实际场景比如高动态范围工业检测，工件表面既有镜面高光又有深色螺纹，动态范围不足的传感器会把高光部分完全打出饱和白场，导致特征丢失。

非均匀性和非线性度是两个容易被忽略但影响实际效果的参数。非均匀性指同一均匀光照下各像素响应不一致的程度，表现为图像上的亮度起伏；非线性度则指输入曝光与输出信号之间偏离线性关系的程度。前者可以靠暗场标定和增益校正来补偿，后者则会在灰度测量场景下引入系统性误差。如果要做的是尺寸测量而不是简单识别，非线性度必须列入指标表——图像边缘拟合出的直线如果因为非线性响应产生弯曲，测量值就会系统性偏移，这不是提高阈值就能解决的问题。

3. CCD与CMOS全面对比：从灵敏度、噪声到速度的六维选型矩阵

3.1 传感器结构差异决定了性能边界

课件第7.2节给出了CMOS与CCD的对比表，这个表格是选型时的核心参考。先看结构层面的差异：CMOS传感器的每个像素都包含光电二极管和对应的读出晶体管，可以理解为“每像素独立处理信号”；CCD则是所有像素的电荷先转移到移位寄存器，再统一串行读出。这个结构差异直接导致了集成度、功耗、速度三个维度的分化。

CMOS采用标准半导体工艺制造，能够把光电二极管、放大器、A/D转换器、数字信号处理逻辑等全部集成到一颗芯片上，集成度高、体积小、功耗低；CCD需要特殊工艺制造，传感器本体和外围驱动/信号处理电路分离，只能做成多芯片系统，体积大、电源功耗高。但CCD在成像质量上长期保持优势——灵敏度更高、暗电流更低、动态范围更大、图像均匀性更好。

对比表里的动态范围一行值得拿出来单独说：CCD的动态范围“大”、CMOS“小”，这不是比例上的小差异，而是数量级的差别。传统CCD的满阱电荷可以达到数万个电子，而CMOS像素的电荷容量受限于像素内晶体管的物理尺寸，通常只有CCD的十分之一甚至更少。课件里没有展开的是灵敏度差异的原因：CCD几乎没有像素内的放大器，信号从光敏元到输出放大器之间经过的电荷到电压转换环节极少，路径噪声低；而CMOS每个像素内部都有放大器，像素间增益不一致会直接表现为固定图案噪声，均匀性自然落在下风。

说直白一点，结构差异带来的性能边界在具体选型时可以被翻译成一句话：追求极致图像质量且不差钱不差空间，选CCD；追求速度、集成度、低功耗和成本可控，选CMOS。

3.2 关键参数对照：选择前必须看清的五个数字

课件里的对比表横跨灵敏度、信噪比、动态范围、帧频、集成度、工艺、电路结构、体积、可靠性、成本十个维度，但工程选型真正要落到纸面上的通常只有五组核心参数。我把这五组参数按照课件内容重新整理成一张实战对照表：

灵敏度这一行我要多说一句。传统全局快门CMOS在灵敏度上始终追不上CCD，但近些年的背照式（BSI）和堆栈式CMOS技术已经大幅缩小了差距。课件基于的是传统工艺下的对比结论，放在当下的选型语境里，应该理解为“工艺水平相近时CCD仍有灵敏度优势”，而不是“所有CMOS都不如所有CCD”。

帧频这行同样有讲究。CCD的最高帧频被电荷转移结构卡在30fps上下，而CMOS的像素并行读出机制天然支持超高帧频，1000fps已经是很保守的表述，高速CMOS相机做到几千帧并不罕见。实际工业场景中，如果要检测的生产线速度超过每秒几十件，CCD根本没有机会上场，CMOS几乎是唯一方向。

3.3 怎么把参数表变成具体选型判断

课件给了参数定义和对比表，但没有给出选型决策的路径。实际工作中我的判断顺序通常是这样：先看速度需求，再看光照条件，接着看动态范围，最后看成本与体积边界。

第一步，算产线节拍或运动速度，确认需要多少帧频。每分钟过料600件意味着每秒需要至少10帧有效捕获，加上曝光和传输时间余量，传感器帧频要求直接定在30fps以上，这一步就把CCD淘汰了。第二步，测现场光照。如果只能依赖普通LED光源且控制不了环境光，低照度下灵敏度不够的传感器会直接输出满是噪点的图像，此时灵敏度和信噪比就成了决定性指标。第三步，评估场景内最亮与最暗区域的比值。如果工件是金属件且伴随高光反射，动态范围不够就会出现大块饱和区域，在图像上表现为白色团块，把检测特征完全盖住。第四步才是看成本与体积，这个通常在方案评审阶段就框死了。

课件里提到的CMOS缺点——分辨率低、动态范围小、光照灵敏度弱、图像质量差——这些表述需要放到具体语境下理解。在入门实验级场景中，CMOS的劣势并不一定构成瓶颈；但在对弱信号检测、精密测量等场景中，这些差异会直接影响系统能不能稳定工作。选型本质上是接受哪个参数的短板，而不是找一个全方面优秀的器件——这类器件在工程界并不存在。

4. 图像检测系统实训：从图像获取到特征输出的完整链路搭建

4.1 图像检测系统的三个环节与硬件选型

课件在第7章开头交代了图像检测系统的整体框架：按功能划分为图像输入、图像处理和图像输出三部分。图像输入负责把目标转换成图像信号，图像处理负责抽取面积、数量、位置、长度等特征，图像输出则根据预设条件输出尺寸、角度、个数、合格/不合格等结果。这个三段式框架是所有机器视觉系统的骨架，不管用工业相机还是普通USB摄像头，流程都是这个逻辑。

配合这份课件的实训课题，我按这个框架梳理了一套可执行的最小系统方案。传感器部分可以选用带标准接口的CMOS摄像头模组，通过USB接到PC端，图像输入环节就完成了；图像处理环节用OpenCV或类似的图像处理工具库来实现，特征提取和判断都在代码层面完成；输出环节的呈现方式可以是终端打印判定结果，也可以是简单的合格/不合格界面显示。

课件里提到的机器人智能视觉课题属于扩展方向，本质是在这套检测链路基础上再挂接运动控制或机械臂执行机构。我的建议是先跑通纯视觉链路，再考虑与机器人联调——视觉系统本身的标定、曝光、特征提取稳定了，后面的控制对接才有意义。

4.2 基于OpenCV的图像获取与显示实现

图像检测系统的第一步操作是图像获取与显示。这里我用OpenCV的Python接口做一个最小示例，直接对应课件里“图像输入→图像处理→图像输出”的第一阶段。首先是图像获取：

import cv2 # 初始化摄像头, 参数0表示第一个摄像头设备 cap = cv2.VideoCapture(0, cv2.CAP_DSHOW) # 摄像头是实时数据流, 直接获取单帧只会拿到当前画面 ret, frame = cap.read() # 检查是否成功读到画面 if not ret: print("图像获取失败, 检查摄像头连接或设备编号") cap.release() exit() # 保存画面到本地文件, 后续处理可以基于这张图像反复调试 cv2.imwrite("capture_sample.jpg", frame) # 用完必须释放设备占用 cap.release()

这段代码的核心逻辑是：初始化摄像头设备、读取一帧画面、检查是否成功、保存到本地。参数0表示系统默认摄像头，如果有多个设备则按编号切换为1、2、3。cv2.CAP_DSHOW是Windows平台下指定DirectShow后端的参数，Linux下通常不需要这段，直接传设备编号即可。

图像获取环节容易踩的坑是分辨率设定。默认的分辨率可能是640x480，但检测对象边缘细节不够时，需要把分辨率调高。常见做法是用cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)和cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)来指定宽高。需要注意的是设置不一定生效，很多摄像头模组只支持固定的分辨率档位，设置之后要用cap.get()再读回实际值确认。

4.3 特征提取与识别：尺寸与数量判断

图像获取与显示只是第一步，课件里真正指向的目标是“根据特征输出判断结果”。这里以最常见的工件尺寸测量和数量统计为例，给出可运行的实现：

import cv2 import numpy as np # 读取采集到的图像 img = cv2.imread("capture_sample.jpg") # 转灰度并做高斯模糊, 减少传感器噪声对边缘检测的干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 用大津法自动确定分割阈值 _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 找轮廓, 得到图像中所有连通域边界 contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(f"检测到 {len(contours)} 个目标") count_ok = 0 for cnt in contours: # 最小外接矩形包含的尺寸信息 x, y, w, h = cv2.boundingRect(cnt) area = cv2.contourArea(cnt) # 根据面积与长宽比做简单的合格/不合格判断 if area > 1000 and 0.5 < (w / h) < 2.0: count_ok += 1 cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) # 输出判断结果 print(f"合格目标: {count_ok} 个, 不合格: {len(contours) - count_ok} 个") cv2.imwrite("processed_result.jpg", img)

这段代码展示了课件中“根据预设的允许度和其他条件输出结果”的实际落地形态。大津法阈值分割的目的是把前景目标从背景中分离出来，它的好处是不需要手动设定阈值，算法会根据灰度直方图自动寻找最优分割点。对光照变化不大的固定场景，这是最稳妥的分割方式。

轮廓查找返回的是所有连通区域的边界点集，再通过boundingRect计算外接矩形的宽高和contourArea计算实际面积。判断规则用面积下限和宽高比区间来实现“合格/不合格”输出，这两个参数的设定是工程调优的核心——面积阈值设太大可能漏掉小尺寸目标，宽高比区间设太窄又可能把正常旋转变化的目标判为不合格。注意这里用的w/h是未考虑旋转的外接矩形比值，如果目标是倾斜摆放的，需要改用最小面积外接矩形或拟合椭圆才能拿到与姿态无关的尺寸特征。

这个三步流程——图像获取、阈值分割、特征判断——就是课件里图像检测系统的全部核心逻辑。后面的灰度统计、边缘拟合、模板匹配等更高级的操作，本质上都是在不同环节替换更复杂的特征提取算法，整体框架不变。

5. 图像传感器应用避坑：曝光、噪点、色彩还原与调试顺序的五条实战记录

5.1 固定场景下成像质量飘忽不定

现象：同样的光照条件、同样的目标物，连续采集多帧图像，亮度和对比度出现明显波动，检测结果时好时坏。

原因：摄像头开启了自动曝光（AE）和自动白平衡（AWB）功能。环境光有微小变化时，传感器会自行调整曝光时间和增益参数，导致每一帧的响应特性都在变。阈值分割算法的分割阈值是动态计算的，输入图像的亮度分布一旦变化，分割结果就会跟着波动。

解决：在代码里手动关闭自动调节，把曝光时间和白平衡固定下来。OpenCV对USB摄像头可以通过cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25)进入手动曝光模式，再用cap.set(cv2.CAP_PROP_EXPOSURE, 120)设定固定曝光值。对工业相机则直接写入寄存器操作，具体方法参考相机SDK文档。固定完之后在标准光照下标定一次参数，后续所有检测都使用同一组设置，帧间一致性马上会有肉眼可见的提升。

5.2 暗部区域出现密集彩色噪点

现象：光照偏暗时，图像暗部区域出现红绿蓝交替的彩色噪点，目标边缘变得毛糙，尺寸测量结果有毫米级波动。

原因：CMOS传感器在低光照下会通过拉高增益来补偿信号强度，但增益是放大器电路实现的，信号被放大的同时噪声也被放大，暗部区域信噪比过低时就会表现为彩色噪声颗粒。这在Bayer阵列传感器上尤其明显，因为彩色通道信息本身需要插值补全，噪声会进一步被插值算法放大和传播。

解决：首选物理手段，增加补光光源而不是依赖传感器增益，这是最直接有效的方案。如果硬件条件不允许增加光源，可以改用灰度模式采集图像再进行处理，灰度模式下不需要做颜色插值，彩色噪声问题会减轻很多。软件层面的备选方案是高斯模糊加中值滤波组合，但这种方式会把真实纹理细节也一并抹平，只适合检测目标的特征本身不依赖细腻纹理的场景。

5.3 强光高光区域完全“糊”成白色

现象：目标表面有反光面时，反光区域在图像中呈纯白色，内部的字符或纹理信息完全不可见，特征提取算法把高光区域误判成一个连通域。

原因：传感器动态范围不够，最亮区域的信号已经超过满阱容量，电荷溢出直接饱和。CCD会表现为白斑扩散，CMOS则可能呈现“雪白带彩”的伪色边缘。饱和一旦发生，信息是物理层面丢失的，软件处理技术对此无能为力。

解决：从硬件层面降低进入传感器的光通量，可以调整光源角度避开镜面反射方向，或者在镜头前加偏振片滤除反射光。曝光设置的调整思路是把曝光时间调短，保证高光区域不饱和，再用软件增益把暗部提亮——这需要传感器有足够的动态范围作为基础。偏光照明加缩短曝光是工业场景最常用的一组组合操作。

5.4 检测结果与真实尺寸的系统性偏差

现象：对同一个被测物反复测量，结果稳定复现，但和量具实测的数值相比总是偏大或偏小，差值固定。

原因：这是镜头畸变和透视投影共同作用的结果。任何成像镜头都有径向畸变，画面边缘的物体在图像中的尺寸被放大或压缩；同时相机光轴如果不垂直于被测面，投影关系本身就会产生非线性比例变化。阈值分割的边缘判据不准也会引起固定偏差，但畸变的影响通常更显著。

解决：先对相机做标定，用标定板采集多角度图像，通过张正友标定法求出相机内参和畸变系数，再用获得的参数对图像做畸变校正，还原真实的空间坐标。这个环节必须放在系统搭建初期完成，中途换镜头或调整相机安装角度都要重新标定。畸变校正做完后再做一次像素到物理尺寸的比例标定，测量结果才会可靠。

5.5 开发阶段正常、产线环境出现间歇性检测失败

现象：开发环境和产线环境跑相同的程序，产线上出现频率不定的检测失败，重启软件能缓解但不能根除。

原因：产线环境通常存在明显的50Hz工频干扰，使用未屏蔽的USB线缆传输图像数据时容易产生丢帧或花帧；另外产线震动会导致相机安装位置漂移，视野角度的微小变化累积到像素层面就是明显的边缘位移。

解决：检查图像抓取环节的重试机制，确保读帧失败时自动重新抓取而不是把坏帧送进处理流程；同时把相机线缆换成带屏蔽层的工业级线缆，或改用走以太网协议传输的工业相机来增强抗干扰能力。相机的机械安装也做加强固定，并在程序里定期检查感兴趣区域位置，用模板匹配跟踪目标在图像中的实际位置，避免安装漂移带来的检测区域偏移。

6. 数据手册读法：三步看透关键参数，避免被天花乱坠的营销指标带偏

选传感器的过程中，最容易被绕进去的地方不是原理而是数据手册。手册里动辄几十页的参数表格和特性曲线，如果逐页精读既费时间又容易被非关键参数干扰判断。我一般按三步走，能在短时间内锁定关键信息。

第一步，确认传感器类型与光学尺寸格式。手册首页或者订购信息里会写明传感器类型、光学格式（如1/2.3英寸）、有效像素阵列、像素尺寸。光学格式直接关系到镜头选型，像素尺寸则决定了物理分辨率的下限——像素尺寸太大会丢失小特征，太小又会牺牲满阱容量，这两者本身就是矛盾关系。

第二步，看灵敏度与量子效率曲线。灵敏度用V/lux·s或DN/(nJ/cm²)表示，而量子效率曲线反应的是传感器对不同波长光线的响应能力。很多手册把峰值量子效率标得很高，但只有峰值所在的波段对检测目标的光谱特征有意义。如果检测目标是红外波段的加热器件或激光标记，手册里可见光波段的优秀参数就完全不适用。

第三步，抓住噪声指标和动态范围。暗信号非均匀性（DSNU）和光响应非均匀性（PRNU）这两个指标直接决定图像均匀性，也比“灵敏度高”“信噪比优”这种定性描述更具可比性。动态范围的数值要与帧频一起看，因为部分CMOS传感器支持通过多帧合成提升动态范围，但这种方式会牺牲帧频，不适用于高速检测应用。

这段读手册的过程其实是把课件里的五个基本参数重新排列组合了一遍。光谱灵敏度对应量子效率曲线，动态范围对应饱和与噪声的比值，非均匀性对应DSNU/PRNU，非线性度对应响应曲线偏离直线的程度，分辨率对应像素阵列与灰度位数。课件里抽象讲解的参数，在数据手册里全都变成了具体的数字曲线和测试条件。

我自己在这条路上翻过车。最早做检测系统选型时只盯着分辨率判断，选了一款像素很高但动态范围很差的传感器，结果实际场景里工件的高光区域直接饱和成白板，最后不得不推翻重来。从那以后我每次选型都强制走一遍这五步：确认光学格式、查灵敏度波段、看噪声指标、核对动态范围、抽查边缘响应一致性，最后才回头看分辨率数据。希望这份课件拆解和配套的避坑记录能帮你少走一些弯路，把图像传感器的理论和实际项目需要真正连接起来。

本文还有配套的精品资源，点击获取