工业视觉缺陷检测实战：基于YOLO的电缆钢丝绳数据集训练与部署-编程实验室

简介：本资源是面向工业视觉检测领域研究者与算法工程师的电缆缺陷检测专用数据集，聚焦钢丝绳、线缆表面三类典型损伤——断裂（break）、雷击痕（thunderbolt）和磨损（wear），适用于目标检测模型训练与评估。压缩包共2000个文件，含1800张高质量JPG图像、1800份Pascal VOC格式XML标注文件（含精确矩形框坐标与类别标签）及1800份YOLOv5/v8兼容的TXT格式标签文件，所有标注均使用labelImg工具人工校验完成；另有增强图像纳入训练适配性考量。资源包大小为118.59MB，结构简洁无冗余，开箱即用于VOC或YOLO双框架训练流程。目前已有1251人学习下载，配套提供清晰的使用说明文档与规范命名规则，可直接接入Detectron2、MMDetection、Ultralytics等主流检测框架，显著降低数据预处理门槛，加速缺陷识别模型研发进程。

1. 项目概述：一份为工业视觉检测量身定制的数据集

在工业自动化与智能制造领域，视觉检测技术正扮演着越来越核心的角色。无论是生产线上的产品质量把控，还是关键基础设施的定期巡检，高效、精准的缺陷识别能力都是保障安全与效率的基石。今天要和大家深入探讨的，就是一份专门服务于这个领域的宝贵资源——“电缆钢丝绳线缆缺陷检测数据集”。这个数据集以VOC+YOLO格式封装，包含了1800张标注图像，覆盖了3种常见的缺陷类别，文件以.7z压缩包形式提供。

简单来说，这是一个“开箱即用”的训练素材库。它的核心价值在于，为开发者、算法工程师以及相关领域的研究者提供了一个高质量的起点，能够直接用于训练目标检测模型，特别是基于YOLO系列算法。你不需要再从零开始耗费数周甚至数月去收集数据、清洗图像、进行繁琐的人工标注。这个数据集已经帮你完成了这些最耗时的基础工作，让你可以立刻聚焦于模型架构设计、调参优化等更具创造性的环节。

这份数据集特别适合以下几类朋友：首先是正在学习或研究计算机视觉、目标检测的在校学生和研究人员，它提供了一个非常贴近工业实际应用场景的练手项目；其次是从事工业视觉、自动化设备开发的工程师，可以直接利用它来开发或验证针对线缆类产品的缺陷检测算法；最后，对于那些希望将AI技术应用于电力、通信、工程机械等涉及线缆运维行业的技术决策者，这个数据集也能帮助你快速评估技术落地的可行性与效果。

2. 数据集核心价值与应用场景深度解析

2.1 为什么是“电缆钢丝绳线缆”？

在深入技术细节前，我们首先要理解这个数据集的检测对象。电缆、钢丝绳、线缆，这三者虽然在日常生活中常被混用，但在工业语境下各有侧重，却又共享相似的缺陷模式。电缆通常指带有绝缘层和保护套、用于传输电能或信号的导线；钢丝绳则是由多根钢丝捻制而成，主要用于承重、牵引；而线缆是一个更宽泛的统称。它们的共同点是都具有细长、圆柱形的物理形态，并且在生产、安装、使用过程中，容易产生几类共通的缺陷。

选择这三者作为检测对象，极具现实意义。第一，它们广泛应用于国民经济的各个命脉行业，如电力传输、通信网络、建筑桥梁、矿山机械、港口起重等，其安全状态直接关系到公共安全和生产连续性。第二，这些缺陷往往肉眼难以在早期发现，或者在高空、井下等危险环境下人工巡检效率低下、风险极高。因此，利用基于深度学习的视觉检测技术实现自动化或辅助检测，市场需求迫切，技术价值显著。

2.2 VOC+YOLO格式：兼顾通用性与高效性的黄金组合

数据集采用“VOC+YOLO”格式，这是一个非常务实且流行的选择，它巧妙地平衡了通用性和训练效率。

PASCAL VOC格式是计算机视觉领域一个历史悠久的标杆数据集格式。它采用XML文件存储标注信息，结构清晰、可读性强。每个XML文件对应一张图片，其中详细记录了图片尺寸、以及每个目标物体的类别名称和边界框坐标。VOC格式的优点是通用性极强，几乎被所有主流的深度学习框架（如TensorFlow, PyTorch）和标注工具（如LabelImg）所支持。当你拿到一个VOC格式的数据集，你可以很容易地将其转换为其他任何你需要的格式，或者直接用于训练Faster R-CNN等两阶段检测器。

YOLO格式则是为了适配YOLO系列单阶段目标检测算法的高效训练而设计的。它将标注信息存储在每个图片同名的.txt文本文件中。每一行代表一个目标物体，格式为：<class_id> <x_center> <y_center> <width> <height>。这里的坐标是归一化后的值（即相对于图片宽高的比例值），class_id是类别的索引序号。这种格式非常紧凑，在训练时可以被YOLO模型直接、快速地读取，无需复杂的解析过程，极大地提升了数据加载效率。

这个数据集同时提供两种格式，意味着它具备了出色的灵活性。你可以直接使用YOLO格式快速投入YOLOv5/v7/v8/v9等模型的训练。同时，保留的VOC格式让你在需要尝试其他检测算法（如SSD, RetinaNet）或进行更复杂的分析时，拥有一个标准的、易于处理的中间表示。这为后续的算法对比实验和方案迁移提供了便利。

2.3 1800张图像与3类别：规模与质量的平衡艺术

“1800张”这个数量，对于目标检测任务，特别是工业缺陷检测而言，是一个经过考量的规模。它既不是小打小闹的几百张，也并非动辄数万张的庞然大物。

对于一个定义清晰的3类别缺陷检测任务，1800张图像如果分布均匀，每类约有600个实例，这通常足以训练一个具有不错泛化能力的模型原型。这个规模对于硕士研究、毕业设计、企业原型验证或中小型项目的初期阶段来说是足够的。它能够有效避免因数据量过小而导致的模型过拟合（即模型只“记住”了训练图片，而无法识别新图片），同时也控制了数据收集和标注的成本。

关键在于数据的“质量”和“多样性”。我们期望这1800张图片能够覆盖：

多种缺陷形态：同一种缺陷在不同严重程度、不同角度、不同光照下的表现。
复杂背景：线缆可能处于厂房、野外、天空、复杂结构背景中，背景的多样性有助于模型学习聚焦于线缆本身。
不同拍摄条件：包括不同的光照（强光、弱光、逆光）、天气（晴天、阴天）、以及可能的图像噪声。

“3类别”说明数据集的标注目标非常聚焦。在工业缺陷检测中，明确且有限的类别定义至关重要。常见的电缆钢丝绳缺陷可能包括：

表面破损/划伤：外皮破裂、钢丝裸露。这是最直观的缺陷，直接影响绝缘性和安全性。
变形/压痕：线缆被挤压变形，可能导致内部结构损伤，影响机械强度和电气性能。
锈蚀/腐蚀：金属部分（尤其是钢丝绳）生锈，会极大削弱其抗拉强度。（注：具体是哪3个类别，需要解压数据集后查看classes.txt或VOC的类别定义才能确定，以上为常见缺陷举例。）

这种聚焦使得模型的学习目标明确，更容易达到较高的检测精度，非常适合于开发专用的自动化检测系统。

3. 数据集内容详解与预处理实操指南

3.1 数据集解压与目录结构解析

拿到电缆钢丝绳线缆缺陷检测数据集VOC+YOLO格式1800张3类别.7z这个文件后，第一步是解压。你需要安装如7-Zip、Bandizip等支持.7z格式的解压工具。

解压后，你大概率会看到一个结构清晰的标准目录。一个组织良好的数据集目录通常如下所示：

cable_defect_dataset/ ├── images/ │ ├── train/ # 训练集图片，例如 1440张 (80%) │ ├── val/ # 验证集图片，例如 360张 (20%) │ └── test/ # 测试集图片（可能没有，或包含在val中） ├── labels/ │ ├── train/ # YOLO格式训练集标签 (.txt文件) │ └── val/ # YOLO格式验证集标签 ├── Annotations/ # VOC格式的XML标注文件（所有图片） ├── ImageSets/ │ └── Main/ │ ├── train.txt # 训练集图片文件名列表（不含后缀） │ └── val.txt # 验证集图片文件名列表 ├── classes.txt # 类别名称列表，每行一个类别 └── README.md # 数据集说明文档（强烈建议阅读）

关键文件说明：

images/train/和images/val/：这是核心的图像数据。通常按8:1:1或8:2的比例划分训练集和验证集。测试集有时会单独提供，有时用验证集代替。
labels/下的.txt文件：YOLO格式标签。务必确认其与images/下对应文件夹内的图片一一对应（同名）。
Annotations/*.xml：VOC格式标签。每个XML文件都包含对应图片的完整标注信息。
ImageSets/Main/train.txt和val.txt：这两个文本文件列出了用于训练和验证的图片基名（不含.jpg和.xml后缀）。这是VOC格式标准的数据集划分方式。
classes.txt：这是理解数据集类别的钥匙。打开它，你就能确切知道3个类别具体是什么，例如可能是：break,deformation,corrosion。

注意：在开始任何操作前，第一件事就是仔细阅读README.md（如果有）和检查classes.txt。了解数据集的官方划分、类别定义、可能的注意事项或授权信息，能避免后续很多麻烦。

3.2 数据可视化与质量检查

在投入训练前，对数据进行可视化检查是必不可少的一步。这不仅能帮你直观理解数据，还能提前发现潜在问题。

使用Python进行快速可视化检查：

import os import cv2 import random import matplotlib.pyplot as plt # 配置路径 image_dir = ‘cable_defect_dataset/images/train/‘ label_dir = ‘cable_defect_dataset/labels/train/‘ classes = [‘break‘, ‘deformation‘, ‘corrosion‘] # 根据classes.txt修改 # 随机选取几张图片查看 image_files = [f for f in os.listdir(image_dir) if f.endswith(‘.jpg‘)] sample_files = random.sample(image_files, 4) fig, axes = plt.subplots(2, 2, figsize=(12, 10)) axes = axes.ravel() for idx, ax in enumerate(axes): img_name = sample_files[idx] img_path = os.path.join(image_dir, img_name) label_path = os.path.join(label_dir, os.path.splitext(img_name)[0] + ‘.txt‘) # 读取图片 img = cv2.imread(img_path) img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # OpenCV读取为BGR，转为RGB h, w, _ = img.shape # 读取并绘制标注框 if os.path.exists(label_path): with open(label_path, ‘r‘) as f: lines = f.readlines() for line in lines: cls_id, x_center, y_center, box_w, box_h = map(float, line.strip().split()) # 将归一化坐标转换为像素坐标 x1 = int((x_center - box_w/2) * w) y1 = int((y_center - box_h/2) * h) x2 = int((x_center + box_w/2) * w) y2 = int((y_center + box_h/2) * h) # 绘制矩形和类别标签 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, classes[int(cls_id)], (x1, y1-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0,255,0), 2) ax.imshow(img) ax.set_title(f‘Sample: {img_name}‘) ax.axis(‘off‘) plt.tight_layout() plt.show()

通过这段脚本，你可以随机查看4张训练图片及其标注框。检查重点包括：

标注框是否准确：框是否紧密贴合缺陷部位？
类别是否正确：标注的缺陷类别是否符合视觉判断？
图像质量：图片是否模糊、过曝、欠曝？这对于模型学习特征影响很大。
数据多样性：背景、光照、缺陷尺度是否有变化？

3.3 数据预处理与增强策略

即使数据集质量很高，适度的预处理和数据增强也能显著提升模型的鲁棒性和泛化能力。对于工业缺陷检测，可以考虑以下策略：

1. 基础预处理：

统一尺寸：YOLO模型通常要求输入图片尺寸为正方形（如640x640）。在训练时，模型会自动将图片缩放并填充。你也可以在训练前批量处理，但这不是必须的，因为数据加载器会在线完成。
归一化：将像素值从0-255缩放到0-1之间，有助于模型训练稳定和加速收敛。这通常在数据加载时完成。

2. 数据增强（在线增强）：在线增强是指在训练过程中，每读取一批数据时随机施加的变换。这对于只有1800张图片的数据集尤为重要。常用的增强方法包括：

几何变换：随机水平翻转、随机旋转（小角度，如±10度）、随机缩放裁剪。对于线缆这类方向性不固定的物体，水平翻转非常安全有效。
色彩变换：随机调整亮度、对比度、饱和度、色调。模拟不同光照和天气条件。
添加噪声：随机添加高斯噪声、椒盐噪声，模拟传感器噪声或传输干扰。
混合类增强：如Mosaic增强（将四张图片拼成一张），能极大地丰富单张图片的背景和上下文信息，是小数据集训练的利器。YOLOv5/v8等框架已内置支持。

实操心得：对于缺陷检测，增强需要谨慎。例如，要避免过度旋转导致缺陷形态变得不真实（如垂直的线缆被旋转成水平），避免色彩扭曲导致缺陷特征（如锈蚀的颜色）被改变。建议从基础的翻转和色彩微调开始，根据验证集效果逐步添加更复杂的增强。

4. 基于YOLO模型的训练实战与调优

4.1 YOLO模型选型与环境配置

目前YOLO系列版本众多，从经典的YOLOv5到官方的YOLOv8，以及社区活跃的YOLOv9等。对于这个数据集，我的建议是：

初学者/快速原型：推荐Ultralytics YOLOv8。它文档完善、API简洁、社区支持好，同时提供了从目标检测、实例分割到姿态估计的全套模型，且精度和速度平衡得非常好。其pip install ultralytics的安装方式极其友好。
追求极致轻量化：可以考虑YOLOv5的纳米（n）或小型（s）模型。YOLOv5的代码库非常成熟，在工业界部署广泛。
研究与探索：可以尝试YOLOv9或YOLOv10等最新版本，它们可能引入了更先进的网络结构或训练策略，但可能稳定性稍逊于v8。

环境配置（以YOLOv8为例）：

# 创建并激活虚拟环境（推荐） conda create -n yolo_cable python=3.8 conda activate yolo_cable # 安装PyTorch (请根据你的CUDA版本到PyTorch官网选择对应命令) # 例如，对于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装Ultralytics YOLOv8 pip install ultralytics

验证安装：python -c “from ultralytics import YOLO; print(YOLO(‘yolov8n.pt’))”

4.2 准备YOLO格式的数据配置文件

YOLO训练需要一个描述数据集路径和类别的配置文件（.yaml文件）。我们需要根据解压后的数据集结构来创建它。

在数据集根目录（cable_defect_dataset/）同级，创建一个名为cable_defect.yaml的文件，内容如下：

# cable_defect.yaml path: /path/to/your/cable_defect_dataset # 数据集的绝对路径或相对路径 train: images/train # 训练集图片相对path的路径 val: images/val # 验证集图片相对path的路径 # test: images/test # 如果有测试集可以取消注释 # 类别数 nc: 3 # 类别名称列表，必须与classes.txt中的顺序完全一致！ names: [‘break‘, ‘deformation‘, ‘corrosion‘] # 请替换为实际的类别名

关键点：

path：建议使用绝对路径，避免因工作目录变化而出错。
names：此处的列表顺序至关重要。它必须与labels/*.txt文件中的class_id（0, 1, 2）一一对应。class_id=0对应names[0]，依此类推。

4.3 启动训练与核心参数解析

使用YOLOv8的命令行接口进行训练非常简单：

yolo task=detect mode=train model=yolov8s.pt data=cable_defect.yaml epochs=100 imgsz=640 batch=16 workers=4

让我们拆解这些参数：

task=detect：指定任务为目标检测。
mode=train：模式为训练。
model=yolov8s.pt：使用预训练的YOLOv8小模型权重。这是迁移学习的关键，能利用在COCO等大型数据集上学到的通用特征，加速收敛并提升性能。
data=cable_defect.yaml：指向我们刚创建的数据集配置文件。
epochs=100：训练轮数。对于1800张图，100轮通常是一个合理的起点，可根据验证集损失曲线决定是否早停。
imgsz=640：输入图片尺寸。YOLOv8会统一缩放到此尺寸。
batch=16：批次大小。取决于你的GPU显存。显存不足时减小batch，同时可以适当增大workers。
workers=4：数据加载的子进程数，用于加速数据读取。通常设置为CPU核心数的2-4倍。

训练开始后，控制台会输出日志，并且会在runs/detect/train/目录下生成一系列结果，包括：

权重文件：best.pt（验证集上表现最好的权重）和last.pt（最后一轮的权重）。
可视化结果：训练损失曲线、验证指标（mAP@0.5, mAP@0.5:0.95）、混淆矩阵、PR曲线等。
样本验证：在验证集上的检测结果示例图。

4.4 模型评估与性能解读

训练完成后，使用最佳模型在验证集上进行评估：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=cable_defect.yaml

你需要重点关注以下几个指标：

mAP@0.5 (mAP50)：在交并比阈值为0.5时的平均精度均值。这是最常用的指标，值越高越好。对于工业缺陷检测，通常希望达到0.85甚至0.9以上。
mAP@0.5:0.95 (mAP)：在多个IoU阈值（从0.5到0.95，步长0.05）上的平均mAP。这是一个更严格的指标。
Precision (精确率)和Recall (召回率)：在混淆矩阵和PR曲线中查看。高精确率意味着模型报出的缺陷中，假阳性（误报）少；高召回率意味着真实的缺陷中，被漏掉的（漏报）少。在安全至上的场景，我们往往更追求高召回率，宁可误报，不可漏报。
每类别的AP：查看break,deformation,corrosion各自的AP值，分析模型对哪类缺陷识别较弱，可能需要针对性增加该类数据或调整数据增强。

4.5 模型优化与调参技巧

如果初始训练结果不理想，可以从以下几个方向进行调优：

1. 数据层面：

分析混淆矩阵：如果某些类别间混淆严重（如break和deformation分不清），可能需要检查标注是否准确，或者考虑合并相似类别。
过拟合检查：如果训练集损失持续下降而验证集损失先降后升，说明过拟合。可以增加数据增强的强度（如Mosaic、MixUp），或者使用patience参数进行早停。
类别不平衡：如果某个类别的图片或实例数远少于其他类，会导致模型对其不敏感。可以尝试对该类图片进行过采样，或使用带权重的损失函数。

2. 模型与训练参数：

更换模型尺度：如果yolov8s.pt效果不佳但速度要求不高，可以换用更大的模型yolov8m.pt或yolov8l.pt。反之，如果追求速度，可以换用yolov8n.pt。
调整学习率：使用lr0参数。默认值通常不错，但如果训练不稳定（损失NaN），可以尝试调小（如从0.01调到0.001）。
启用更多增强：YOLOv8的augment参数控制增强强度。可以尝试设置为True或调整相关增强参数。
修改锚框：YOLOv8是Anchor-Free的，但YOLOv5等版本需要。对于线缆这种长宽比可能特殊的物体，使用K-means聚类在自己的数据集上重新计算锚框尺寸可能有益。

3. 使用验证集进行推理测试：在调参过程中，频繁使用验证集进行可视化测试，直观感受模型改进效果：

yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=cable_defect_dataset/images/val save=True conf=0.25

查看生成的预测图片，看模型在哪里成功，在哪里失败，是定位不准还是分类错误，这能给你最直接的调优灵感。

5. 从训练到部署：常见问题与实战排坑记录

5.1 训练过程中的典型问题与解决方案

问题1：CUDA out of memory (OOM)

现象：训练开始不久即报错，提示显存不足。
排查与解决：
1. 减小批次大小：这是最直接有效的方法，将batch从16降到8或4。
2. 减小图片尺寸：将imgsz从640降到512或416。这对小目标检测可能有影响，需权衡。
3. 使用更小的模型：从yolov8s.pt切换到yolov8n.pt。
4. 检查后台进程：确保没有其他程序占用大量显存。
5. 使用梯度累积：如果无法减小batch，可以通过模拟大批次训练。YOLOv8命令行似乎没有直接参数，但可以通过修改代码或使用PyTorch的accelerate库实现。

问题2：损失不下降或波动很大

现象：训练几十个epoch后，损失曲线几乎持平或剧烈震荡。
排查与解决：
1. 检查学习率：学习率可能太大（导致震荡）或太小（导致下降缓慢）。尝试使用lr0参数调整。
2. 检查数据标注：使用第3.2节的可视化脚本，仔细检查一批数据的标注质量。错误的标注（框错位置、标错类别）会严重干扰模型学习。
3. 检查数据配置文件：确认cable_defect.yaml中的path路径是否正确，names列表是否与标签文件中的class_id对应。
4. 关闭数据增强：暂时将增强关掉（如果框架支持），用原始数据训练几轮，看损失是否正常下降，以排除增强引入的干扰。

问题3：验证集mAP很低，但训练集损失正常

现象：训练集上模型似乎学得很好，损失很低，但在验证集上表现很差。
排查与解决：
1. 过拟合：这是最可能的原因。模型“死记硬背”了训练集，无法泛化。解决方案：大幅增加数据增强的多样性和强度；如果数据集本身很小，考虑收集更多数据；使用模型正则化技术，如Dropout（但YOLO本身结构已包含正则化）。
2. 数据分布不一致：训练集和验证集的图片在背景、光照、缺陷类型上有显著差异。需要检查数据集划分是否随机，确保两个集合的数据分布是同质的。
3. 评估代码问题：确认验证时使用的模型权重、数据路径、类别数是否正确。

5.2 模型导出与部署考量

训练出满意的模型后，下一步就是将其部署到实际环境中。YOLOv8提供了极简的导出命令：

yolo export model=runs/detect/train/weights/best.pt format=onnx imgsz=640

这将导出为ONNX格式，一种通用的神经网络中间表示，可以被多种推理引擎支持，如OpenCV DNN、TensorRT、ONNX Runtime等。

部署格式选择：

ONNX：通用性强，便于跨平台、跨框架使用。是首选的中间格式。
TensorRT：如果你在NVIDIA GPU上部署，并且追求极致推理速度，可以将ONNX进一步转换为TensorRT引擎。这个过程涉及层融合、精度校准（FP16/INT8），能获得数倍的加速比。
CoreML / TFLite：如果你需要在苹果设备或安卓/边缘设备上部署，可以分别导出为CoreML或TFLite格式。

部署实战要点：

预处理对齐：在部署的推理代码中，必须严格复现训练时的预处理流程，包括相同的缩放、填充、归一化方法（除以255）。
后处理对齐：模型输出的是密集的预测框，需要经过非极大值抑制筛选。确保部署代码中的NMS阈值与训练评估时一致（通常是conf=0.25, iou=0.45）。
性能测试：在目标部署硬件上测试推理速度（FPS）和精度，确保满足实际应用要求。

5.3 项目延伸与进阶思考

当你成功使用这个数据集训练出一个基础模型后，可以考虑以下几个进阶方向，让项目更具挑战性和实用性：

细分缺陷类别：当前的3类别可能比较宏观。例如，“破损”可以细分为“外皮破损”、“钢丝断裂”、“严重变形”等。这就需要你进行更精细的数据标注。
引入分割任务：对于缺陷，有时不仅需要知道在哪里，还需要知道精确的轮廓（例如计算锈蚀面积）。可以考虑将任务升级为实例分割，使用YOLOv8的segmentation模型，标注格式需要改为多边形。
多模态融合：在工业检测中，可见光图像有时受限。可以考虑融合红外热成像或X光图像数据，从不同维度捕捉缺陷特征（如内部断丝发热、结构裂纹）。
开发可视化系统：基于训练好的模型，使用Gradio、Streamlit等快速搭建一个Web演示界面，或者集成到工业相机软件中，实现实时检测、结果记录与报警功能。
模型轻量化与边缘部署：研究模型剪枝、量化、知识蒸馏等技术，将模型压缩到可以在树莓派、Jetson Nano等边缘设备上实时运行，实现真正的现场、离线检测。

这个“电缆钢丝绳线缆缺陷检测数据集”就像一把钥匙，为你打开了工业视觉缺陷检测这扇大门。从数据准备、模型训练、调优评估到最终部署，每一个环节都充满了细节和挑战。实际操作中，耐心和细致的分析往往比盲目尝试更有效。多观察训练曲线，多分析模型预测错误的案例，这些才是提升模型性能的真正捷径。希望这份详细的解读和实战指南，能帮助你高效地利用这份数据，构建出属于你自己的、稳定可靠的智能检测模型。

本文还有配套的精品资源，点击获取