数据采集规范：实验参数记录、文件命名规则、元数据管理、数据溯源
做微结构数据分析这些年，我踩过最大的坑，往往不是算法选错了，而是——数据本身出了问题。你想想看，辛辛苦苦扫了一周的SEM、EBSD，结果发现文件名是“1111.tif”，参数记在哪个小本本上也找不到了。嗯，这种时候真想抽自己一巴掌。
所以这一章，咱们聊聊数据采集阶段的规范。说白了，就是怎么把数据管好，别让它变成一锅粥。
1. 实验参数记录：别靠脑子记
我个人习惯，每次上机前先打开一个模板文档。把要填的参数列好，边做边填。别等做完再回忆，那基本是扯淡。
实验参数至少包括这几类：
- 设备信息：型号、探头类型、加速电压、束流大小
- 样品信息：材料名称、批次、制备日期、表面处理方式
- 采集参数：扫描速度、分辨率、放大倍数、工作距离
- 环境条件：温度、湿度、真空度（如果有影响）
重要提醒：参数记录要精确到小数点后两位。我曾经因为加速电压记成了“15kV”而不是“15.00kV”，结果后续做定量分析时发现标样数据对不上，折腾了两天才找到原因。
我建议用结构化表格来记录，比如这样：
| 参数类别 | 参数名称 | 数值 | 单位 |
|---|---|---|---|
| 设备 | 加速电压 | 15.00 | kV |
| 设备 | 束流 | 2.50 | nA |
| 样品 | 材料 | Al-6061 | - |
| 采集 | 分辨率 | 1024×768 | px |
2. 文件命名规则：让文件名自己会说话
你见过“最终版_真的最终版_再也不改了_v3.tif”这种文件名吗？我见过，还不止一次。说实话，这种命名方式在科研数据里就是灾难。
我推荐一套命名规则，用了好几年，团队里没人抱怨过：
格式：{项目代号}_{样品ID}_{采集日期}_{采集序号}_{处理状态}.扩展名
示例：
PJ2024_Al6061_20240315_001_Raw.tif
PJ2024_Al6061_20240315_001_Processed.tif为什么这么定？
- 项目代号：一眼知道归属哪个项目
- 样品ID：和实验记录本上的编号对应
- 采集日期：按时间排序时自动排好
- 采集序号：同一天扫了多张图，不会乱
- 处理状态：Raw/Processed/Filtered，避免搞混原始数据和加工后的数据
小技巧：日期格式统一用YYYYMMDD，别用2024-03-15或者03/15/2024。前者在文件系统里排序最自然，按字母序就是按时间序。
3. 元数据管理：数据背后的“身份证”
元数据是什么？就是描述数据的数据。你拍了一张SEM图，图本身是数据，但“这张图是在什么条件下拍的、谁拍的、用的什么设备”——这些就是元数据。
我习惯把元数据分成三层：
- 描述性元数据：标题、作者、日期、摘要
- 结构性元数据：文件格式、数据维度、像素大小、位深
- 管理性元数据：版本号、访问权限、存储位置
实际操作中，我建议用JSON或YAML格式来存元数据。为什么？因为可读性好，而且Python、MATLAB都能直接解析。
{
"file_name": "PJ2024_Al6061_20240315_001_Raw.tif",
"acquisition_date": "2024-03-15",
"operator": "Zhang San",
"device": {
"model": "Zeiss Sigma 300",
"accelerating_voltage_kV": 15.00,
"beam_current_nA": 2.50,
"working_distance_mm": 8.5
},
"sample": {
"material": "Al-6061",
"preparation": "机械抛光+电解抛光",
"batch": "B2024-02"
},
"image": {
"width_px": 1024,
"height_px": 768,
"bit_depth": 16,
"scale_bar_nm": 500
}
}注意：元数据文件要和原始数据放在同一个目录下，文件名保持一致，只是扩展名不同。比如图片叫“xxx.tif”，元数据就叫“xxx.json”。千万别分开存放，否则过两个月你自己都找不到对应关系。
4. 数据溯源：出了问题能往回查
数据溯源，说白了就是“谁在什么时候对数据做了什么”。这在团队协作里尤其重要。你想想看，一份数据经过预处理、滤波、分割、特征提取，中间任何一步出了问题，结果都可能跑偏。
我建议用版本控制来管理数据处理流程。Git当然好，但对于非程序员出身的同学，我推荐更轻量的方式——处理日志。
每做一步处理，都记录一条日志：
# 处理日志示例
2024-03-15 14:30 | 张三 | 原始数据导入 | 从SEM导出，格式.tif
2024-03-15 15:00 | 张三 | 噪声滤波 | 使用中值滤波，核大小3x3
2024-03-15 15:30 | 李四 | 晶粒分割 | 阈值法，阈值范围[50, 180]
2024-03-15 16:00 | 李四 | 特征提取 | 提取晶粒面积、周长、圆度这样做的好处是：如果最终结果不对劲，你可以一步步回溯，看看是哪一步出了问题。我曾经有一次发现晶粒尺寸分布异常，往回查日志才发现——滤波时核大小设成了9x9，把细小的晶粒全抹掉了。
核心原则：永远保留原始数据，永远不要在原文件上直接修改。处理后的数据另存为新文件，文件名里带上处理状态标识。
知识体系总览
下面这张图，是我梳理的数据采集规范整体框架。你可以把它当作一个检查清单，每次做实验前扫一眼，看看有没有漏掉什么。
嗯，这套规范看起来条目不少，但真正用起来其实就几个习惯。我刚开始也觉得麻烦，后来有一次项目复盘，发现80%的问题都出在数据管理上——从那以后，我再也不敢偷懒了。
我的建议：先从小处着手。今天开始，给下一批数据按规范命名，顺便写个简单的元数据文件。坚持两周，你会发现找数据的时间至少省了一半。
公众号:蓝海资料掘金营，微信deep3321