NDT 数据生产

一张超声图像可以被复制到许多目录，也可以被重新命名、裁剪和导出。文件仍然可以打开，像素也可能完全相同，但如果缺少工件、材料、频率、扫描区域、增益、标定状态或处理方式，它就很难支持稳定判断。不同人员会按照各自掌握的背景补全缺失信息，结论随之产生偏差。

这种问题在模型训练和评测中更加突出。数据量增加并不会自动带来有效信息；如果样本之间真正的差异来自设备设置、显示增益或后处理方式，模型可能学到与目标缺陷无关的模式。评测集若包含来自同一工件、同一原始帧或同一仿真参数族的近重复数据，得到的指标也可能高于模型面对新任务时的实际表现。

因此，我们判断一份数据是否值得持续使用，会同时查看内容和上下文。内容说明记录了什么，上下文说明它为何在当时成立。二者保持联系，数据才能在人员更替、项目结束或运行环境变化之后继续被理解。

NDT 数据生产首先保证样本含义稳定，再扩大数据规模和生产效率。它帮助团队把“生成了多少文件”转换成“形成了多少可解释、可检查和可使用的数据成果”。

目录适合保存文件，却难以完整表达数据之间的因果与引用关系。同一个检测案例可能同时引用现场记录、设备导出、仿真结果和专家意见；一份数据产品也可能从多个案例中选择样本，并经过清洗、解释和复核。单纯依靠文件夹层级，无法稳定回答某项结果由什么产生、经过哪些活动、引用了哪些依据。

来源模型把工程过程表示为一组可查询的实体、活动和关系。实体可以是检测案例、原始信号、图像、解释或数据产品；活动可以是采集、仿真、处理、审核和导出；关系则描述生成、引用、派生和修订。这样的表达更接近真实工作，也允许同一事实被不同业务视图引用，而无需重复制造互不一致的副本。

业务身份与内容身份分别承担不同职责。业务身份回答某项记录属于哪个任务、案例或版本，内容身份帮助检查文件内容是否发生变化。内容摘要能够发现替换和传输差异，却不能证明检测条件真实或专业判断正确；它需要与来源关系、审核记录和工程证据共同使用。

当来源关系连续存在时，数据的解释不再依赖某个人记得目录怎样组织。团队可以沿关系回到原始条件，也可以从一次条件变化向下检查哪些解释、数据产品和交付结果需要重新确认。

可信数据从任务开始时形成。目标用途、输入范围和协作责任越清楚，后续数据越容易被组织和检查。采集或仿真过程中产生的新资料继续关联材料、几何、检测方法和关键条件，使原始结果与解释依据保持在同一条工作链中。

进入专业审核后，我们保留被审核的内容、引用证据和修订关系。审核意见因此能够指向具体版本，上游资料发生变化时，团队也能判断原有结论是否仍然成立。这个过程为专业判断提供连续记录，同时避免一条旧结论在内容变化后被无条件沿用。

面向训练、评测或交付组织数据时，数据可以按照目标任务重新编排，但原始检测事实及其来源仍然保留。接收方看到的不只是一个压缩包或若干文件，还能理解其中的数据如何选择、从哪里产生、经过哪些处理以及应怎样复验。

这样的工作方式减少重复整理，也让跨团队协作拥有共同语言。检测人员关注对象与条件，审核人员关注证据与判断，算法团队关注样本关系和分组，交付人员关注版本与内容一致性；这些关注点通过同一条来源链连接起来。

可追溯性需要通过实际问题接受检查。我们会从一个数据结果向上追问：它属于哪个任务和案例，使用了什么检测对象与方法，关键条件从哪里记录，经历了哪些处理和审核。也会从一项条件变化向下追问：哪些结果引用了它，哪些判断可能受到影响，哪些交付内容需要重新确认。

复验进一步检查数据离开原有生产环境后能否被理解。接收方依据交付清单、来源引用和内容身份核对文件，并按照约定重现关键检查过程。能够在脱离原目录和原操作人员的情况下完成核对，说明工程上下文已经随数据共同交付。

不同用途对事实完整性的要求并不相同。处于整理中的数据可以保留正常中间状态；当它准备进入训练、评测、发布或客户交付时，再检查该用途需要的条件、证据和授权。缺少必要信息时，系统给出可定位的原因，使团队知道应补充什么以及从哪里重新确认。

终奏 NDT 数据平台以这些检查支持数据任务、审核中心、数据集工厂和工程交付。我们的目标是让数据资产能够随着项目持续积累，同时保持来源清楚、版本稳定和结果可复验。