1.一种实验仪器缺陷识别分类方法，其特征在于，包括如下步骤：获取实验仪器的超声图像信息，将所述超声图像信息进行预处理；

基于卷积神经网络建立缺陷检测模型，根据所述缺陷检测模型判断实验仪器是否存在缺陷信息根据判断结果对实验仪器进行第一分类；

根据所述缺陷信息对含有缺陷的实验仪器进行评估，生成评估得分，并根据所述评估得分确定缺陷等级信息；

根据所述缺陷等级信息对含有缺陷的实验仪器进行第二分类，并根据第二分类结果生成缺陷标签信息；

根据所述缺陷等级信息确定含有缺陷的实验仪器的使用寿命，并将所述使用寿命信息写入所述缺陷标签信息；

所述的根据所述缺陷等级信息确定含有缺陷的实验仪器的使用寿命，并将所述使用寿命信息写入所述缺陷标签信息，具体为：预设缺陷等级阈值，将含有缺陷的实验仪器的缺陷等级与所述缺陷等级阈值进行对比，判断所述缺陷等级信息是否小于预设阈值；

若小于或等于，则根据所述缺陷信息提取实验仪器的缺陷尺寸信息，根据历史缺陷信息获取缺陷增量信息，将所述缺陷增量信息与平均使用频率匹配生成增量曲线；

根据所述增量曲线获取所述含有缺陷的实验仪器的使用寿命，将所述使用寿命信息写入所述缺陷标签信息，并按照预设方式进行报废预警；

若大于则将所述含有缺陷的实验仪器进行报废标记。

2.根据权利要求1所述的一种实验仪器缺陷识别分类方法，其特征在于，所述的获取实验仪器的超声图像信息，将所述超声图像信息进行预处理，具体为：将所述超声图像信息进行滤波去噪，并将去噪后的超声图像信息进行图像增强得到增强后的超声图像；

将增强后的超声图像信息进行图像分割，并进行二值化处理得到预处理后的超声图像信息；

根据所述预处理后的超声图像信息获取图像特征，所述图像特征包括:灰度共生矩阵及几何不变矩阵；

利用主成分分析法将所述图像特征转化为低维数据集，根据所述低维数据集构建用于识别实验仪器缺陷的样本数据集。

3.根据权利要求1所述的一种实验仪器缺陷识别分类方法，其特征在于，基于卷积神经网络建立缺陷检测模型，通过所述缺陷检测模型对实验仪器进行第一分类，具体为：获取用于识别实验仪器缺陷的样本数据集，将所述样本数据集中70%的样本数据作为训练集，30%的样本数据进行验证集；

基于Tensorflow框架构建缺陷检测模型，将训练集中的各实验仪器超声图像信息输入卷积神经网络训练分类器；

通过训练好的分类器进行分类生成分类结果，根据所述分类结果进行精确性检验，计算所述分类结果与验证集中样本数据的偏差率；

判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述分类器的精度符合预设标准，输出缺陷检测模型；

通过所述缺陷检测模型判断实验仪器中是否存在缺陷，根据判断结果对实验仪器进行第一分类。

4.根据权利要求3所述的一种实验仪器缺陷识别分类方法，其特征在于，还包括：根据第一分类的分类结果得到含有缺陷的实验仪器的超声图像数据集，获取缺陷图像目标区域，通过所述缺陷图像目标区域获取缺陷轮廓特征；

根据所述缺陷轮廓特征获取图像像素尺寸，根据图像像素尺寸与实际比例之间的映射关系，获取缺陷的尺寸信息。

5.根据权利要求1所述的一种实验仪器缺陷识别分类方法，其特征在于，所述的根据缺陷信息对含有缺陷的实验仪器进行评估，生成评估得分，并根据所述评估得分确定缺陷等级信息，具体为：

构建缺陷的评价指标体系，通过所述评价指标体系提取缺陷评价指标，根据所述缺陷信息获取实验仪器的缺陷属性；

根据所述缺陷属性确定缺陷评价指标的指标得分信息，并根据层次分析法计算所述评价指标的权重信息；

根据所述指标得分信息及所述权重信息得到含有缺陷的实验仪器的评估得分；

预设缺陷等级划分标准，按照所述评估得分所落的区间范围确定实验仪器的缺陷等级信息；

所述缺陷等级划分为细微缺陷、微小缺陷、一般缺陷、严重缺陷。

6.一种实验仪器缺陷识别分类系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种实验仪器缺陷识别分类方法程序，所述一种实验仪器缺陷识别分类的方法程序被所述处理器执行时实现如下步骤：获取实验仪器的超声图像信息，将所述超声图像信息进行预处理；

基于卷积神经网络建立缺陷检测模型，根据所述缺陷检测模型判断实验仪器是否存在缺陷信息根据判断结果对实验仪器进行第一分类；

根据所述缺陷信息对含有缺陷的实验仪器进行评估，生成评估得分，并根据所述评估得分确定缺陷等级信息；

根据所述缺陷等级信息对含有缺陷的实验仪器进行第二分类，并根据第二分类结果生成缺陷标签信息；

根据所述缺陷等级信息确定含有缺陷的实验仪器的使用寿命，并将所述使用寿命信息写入所述缺陷标签信息；

所述的根据所述缺陷等级信息确定含有缺陷的实验仪器的使用寿命，并将所述使用寿命信息写入所述缺陷标签信息，具体为：预设缺陷等级阈值，将含有缺陷的实验仪器的缺陷等级与所述缺陷等级阈值进行对比，判断所述缺陷等级信息是否小于预设阈值；

若小于或等于，则根据所述缺陷信息提取实验仪器的缺陷尺寸信息，根据历史缺陷信息获取缺陷增量信息，将所述缺陷增量信息与平均使用频率匹配生成增量曲线；

根据所述增量曲线获取所述含有缺陷的实验仪器的使用寿命，将所述使用寿命信息写入所述缺陷标签信息，并按照预设方式进行报废预警；

若大于则将所述含有缺陷的实验仪器进行报废标记。

7.根据权利要求6所述的一种实验仪器缺陷识别分类系统，其特征在于，基于卷积神经网络建立缺陷检测模型，通过所述缺陷检测模型对实验仪器进行第一分类，具体为：获取用于识别实验仪器缺陷的样本数据集，将所述样本数据集中70%的样本数据作为训练集，30%的样本数据进行验证集；

基于Tensorflow框架构建缺陷检测模型，将训练集中的各实验仪器超声图像信息输入卷积神经网络训练分类器；

通过训练好的分类器进行分类生成分类结果，根据所述分类结果进行精确性检验，计算所述分类结果与验证集中样本数据的偏差率；

判断所述偏差率是否小于预设偏差率阈值，若小于，则证明所述分类器的精度符合预设标准，输出缺陷检测模型；

通过所述缺陷检测模型判断实验仪器中是否存在缺陷，根据判断结果对实验仪器进行第一分类。

8.根据权利要求6所述的一种实验仪器缺陷识别分类系统，其特征在于，所述的根据缺陷信息对含有缺陷的实验仪器进行评估，生成评估得分，并根据所述评估得分确定缺陷等级信息，具体为：

构建缺陷的评价指标体系，通过所述评价指标体系提取缺陷评价指标，根据所述缺陷信息获取实验仪器的缺陷属性；

根据所述缺陷属性确定缺陷评价指标的指标得分信息，并根据层次分析法计算所述评价指标的权重信息；

根据所述指标得分信息及所述权重信息得到含有缺陷的实验仪器的评估得分；

预设缺陷等级划分标准，按照所述评估得分所落的区间范围确定实验仪器的缺陷等级信息；

所述缺陷等级划分为细微缺陷、微小缺陷、一般缺陷、严重缺陷。