一种实验仪器缺陷识别分类方法及系统与流程

1.本发明涉及实验仪器管理领域，更具体的，涉及一种实验仪器缺陷识别分类方法及系统。


背景技术：

2.现如今随着社会的不断发展，人们科技水平的不断进步，实验是进行研发的必要手段之一，在进行实验时，需要用到大量的玻璃或塑料等材质的实验仪器。玻璃或塑料等材质的实验仪器的使用过程中通常因为多种原因生成裂纹、残缺等缺陷，而这些缺陷如果没有第一时间发现，在后续使用过程中极易发生实验事故，造成人身财产损失，所以在实验室中，及时的对实验仪器进行缺陷检测分类就显得尤为重要。
3.为了实现对实验仪器进行缺陷检测识别并进行分类管理，需要开发一款系统与之配合进行实现，该系统通过获取实验仪器的超声图像信息，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，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。在该系统的实现过程中，如何通过缺陷检测模型对实验仪器的缺陷进行检测是亟不可待需要解决的问题。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种实验仪器缺陷识别分类方法及系统。
5.本发明第一方面提供了一种实验仪器缺陷识别分类方法，包括：获取实验仪器的超声图像信息，将所述超声波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。
6.本方案中，所述的获取实验仪器的超声图像信息，将所述超声波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
波图像信息；根据所述预处理后的超声波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。
7.本方案中，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.本方案中，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。
9.本方案中，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。
10.本方案中，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；若大于于则将所述含有缺陷的实验仪器进行报废标记。
11.本发明第二方面还提供了一种实验仪器缺陷识别分类系统，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，将所述超声波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。
12.本方案中，所述的获取实验仪器的超声图像信息，将所述超声波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波图像信息；根据所述预处理后的超声波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。
13.本方案中，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。
14.本方案中，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。
15.本方案中，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。
16.本方案中，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；若大于于则将所述含有缺陷的实验仪器进行报废标记。
17.本发明公开了一种实验仪器缺陷识别分类方法及系统，涉及实验仪器管理领域，其中实验仪器缺陷识别分类方法包括：获取实验仪器的超声图像信息，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，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，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。本发明中通过缺陷检测模型对实验仪器进行缺陷检测并分类，消除了实验仪器含有内部缺陷而造成的潜在危险。
附图说明
18.图1示出了本发明一种实验仪器缺陷识别分类方法的流程图；图2示出了本发明建立缺陷检测模型进行第一分类的方法流程图；图3示出了本发明根据评估得分确定实验仪器缺陷等级信息的方法流程图；图4示出了本发明一种实验仪器缺陷识别分类系统的框图。
具体实施方式
19.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施
例及实施例中的特征可以相互组合。
20.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
21.图1示出了本发明一种实验仪器缺陷识别分类方法的流程图。
22.如图1所示，本发明第一方面提供了一种实验仪器缺陷识别分类方法，包括：s102，获取实验仪器的超声图像信息，将所述超声波图像信息进行预处理；s104，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；s106，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；s108，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；s110，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。
23.需要说明的是，所述的获取实验仪器的超声图像信息，将所述超声波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波图像信息；根据所述预处理后的超声波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。
24.图2示出了本发明建立缺陷检测模型进行第一分类的方法流程图。
25.根据本发明实施例，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：s202，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；s204，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；s206，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；s208，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；s210，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。
26.需要说明的是，基于tensorflow框架构建缺陷检测模型，tensorflow是google开
源的基于数据流图的机器学习框架，tensorflow 在图像识别、语音等智能机器学习领域广泛使用，支持 cnn、rnn、lstm 等多种主流深度学习模型。通过输入层调整输入超声图像的大小，在缺陷检测模型中设置不同个数的卷积层及池化层，构建不同深度的缺陷检测模型，卷积层中使用3*3的卷积核，卷积步长为1，全连接层设置512个神经单元，利用softmax函数计算输出向量，得到分类结果。
27.需要说明的是，将训练集输入缺陷检测模型，缺陷检测模型中的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵，对输入缺陷检测模型的图像数据进行卷积计算和最大池化，得到训练集中样本数据的第一特征图像，将所得的样本数据的第一特征图像再次进行池化操作，得到样本数据的第二特征图像，根据训练集中样本数据的第二特征图确定每个样本数据的特征向量，通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理，得到训练集中样本数据的分类向量，根据所述训练集中样本数据的分类向量和每个样本数据的初始类别，计算得到类别误差，根据所得类别误差对缺陷检测模型的卷积核进行相关调整，根据多个样本数据以及调整后的卷积核参数继续对缺陷检测模型进行相关参数的调整，进行多次迭代直到误差达到理想值后停止对缺陷检测模型的训练。
28.需要说明的是，获取实验仪器缺陷尺寸信息，具体为：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。
29.图3示出了本发明根据评估得分确定实验仪器缺陷等级信息的方法流程图。
30.根据本发明实施例，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：s302，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；s304，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；s306，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；s308，预设缺陷等级划分标准，按照所述评估得分所落的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。
31.需要说明的是，含有缺陷的实验仪器的评估得分的计算公式，具体为：其中，表示含有缺陷的实验仪器的评估分值，表示评价指标的个数，表示标得分信息，表示评价指标的权重信息。
32.需要说明的是，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；若大于于则将所述含有缺陷的实验仪器进行报废标记。
33.根据本发明实施例，本技术还包括，根据超声波获取待检测实验仪器的材料信息，根据所述材料信息判断待检测实验仪器的使用寿命，具体为：获取待检测实验仪器的超声波曲线信息，提取所述超声波曲线的曲线特征；根据所述曲线特征建立索引标签，通过大数据分析方法根据所述索引标签在超声波波形数据库中建立检索；计算超声波波形数据库的波形数据与所述索引标签的匹配度，预设匹配度阈值，若所述匹配度大于匹配度阈值，则将此波形数据进行标记；将标记的波形数据进行聚合生成波形数据集合，计算所述波形数据集合中各波形数据的匹配度得分；取匹配度得分最高的波形数据对应的材料信息为待检测实验仪器的材料信息；根据所述材料信息获取材料特性，根据所述材料特性匹配缺陷尺寸信息及使用频率计算含有缺陷的实验仪器的使用寿命。
34.根据本发明实施例，建立实验仪器管理数据库，通过实验仪器管理数据库存入实验仪器的使用信息及缺陷信息，并通过实验仪器管理数据库进行报废预警，具体为：设置实验仪器的身份标签信息，将所述身份标签信息与缺陷检测模型的检测识别数据生成映射关系，并将实验仪器的使用信息与所述映射关系进行匹配；建立实验仪器管理数据库，将所述映射关系按照时间序列进行存储；若用户所申请的实验仪器中存在缺陷信息，所述实验仪器管理数据库将生成缺陷提醒信息及使用注意事项，并将所述缺陷提醒信息及使用注意事项按照预设方式进行显示；同时所述实验仪器管理数据根据缺陷检测模型的检测识别结果及使用信息对实验仪器的使用寿命进行更新并进行预警，当实验仪器的使用寿命小于预设使用寿命阈值时，则将该实验仪器进行报废标记；所述实验仪器使用信息包括使用时长信息及实验项目信息，所述使用时长信息由借出登记时间与入库登记时间获取。
35.图4示出了本发明一种实验仪器缺陷识别分类系统的框图。
36.本发明第二方面还提供了一种实验仪器缺陷识别分类系统4，该系统包括：存储器41、处理器42，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，将所述超声波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。
37.需要说明的是，所述的获取实验仪器的超声图像信息，将所述超声波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波图像信息；根据所述预处理后的超声波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。
38.根据本发明实施例，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。
39.需要说明的是，基于tensorflow框架构建缺陷检测模型，tensorflow是google开源的基于数据流图的机器学习框架，tensorflow 在图像识别、语音等智能机器学习领域广泛使用，支持 cnn、rnn、lstm 等多种主流深度学习模型。通过输入层调整输入超声图像的大小，在缺陷检测模型中设置不同个数的卷积层及池化层，构建不同深度的缺陷检测模型，卷积层中使用3*3的卷积核，卷积步长为1，全连接层设置512个神经单元，利用softmax函数计算输出向量，得到分类结果。
40.需要说明的是，将训练集输入缺陷检测模型，缺陷检测模型中的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵，对输入缺陷检测模型的图像数据进行卷积计算和最大池化，得到训练集中样本数据的第一特征图像，将所得的样本数据的第一特征图像再次进行池化操作，得到样本数据的第二特征图像，根据训练集中样本数据的第二特征图
确定每个样本数据的特征向量，通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理，得到训练集中样本数据的分类向量，根据所述训练集中样本数据的分类向量和每个样本数据的初始类别，计算得到类别误差，根据所得类别误差对缺陷检测模型的卷积核进行相关调整，根据多个样本数据以及调整后的卷积核参数继续对缺陷检测模型进行相关参数的调整，进行多次迭代直到误差达到理想值后停止对缺陷检测模型的训练。
41.需要说明的是，获取实验仪器缺陷尺寸信息，具体为：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。
42.根据本发明实施例，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。
43.需要说明的是，含有缺陷的实验仪器的评估得分的计算公式，具体为：其中，表示含有缺陷的实验仪器的评估分值，表示评价指标的个数，表示标得分信息，表示评价指标的权重信息。
44.需要说明的是，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；若大于于则将所述含有缺陷的实验仪器进行报废标记。
45.根据本发明实施例，本技术还包括，根据超声波获取待检测实验仪器的材料信息，根据所述材料信息判断待检测实验仪器的使用寿命，具体为：获取待检测实验仪器的超声波曲线信息，提取所述超声波曲线的曲线特征；
根据所述曲线特征建立索引标签，通过大数据分析方法根据所述索引标签在超声波波形数据库中建立检索；计算超声波波形数据库的波形数据与所述索引标签的匹配度，预设匹配度阈值，若所述匹配度大于匹配度阈值，则将此波形数据进行标记；将标记的波形数据进行聚合生成波形数据集合，计算所述波形数据集合中各波形数据的匹配度得分；取匹配度得分最高的波形数据对应的材料信息为待检测实验仪器的材料信息；根据所述材料信息获取材料特性，根据所述材料特性匹配缺陷尺寸信息及使用频率计算含有缺陷的实验仪器的使用寿命。
46.根据本发明实施例，建立实验仪器管理数据库，通过实验仪器管理数据库存入实验仪器的使用信息及缺陷信息，并通过实验仪器管理数据库进行报废预警，具体为：设置实验仪器的身份标签信息，将所述身份标签信息与缺陷检测模型的检测识别数据生成映射关系，并将实验仪器的使用信息与所述映射关系进行匹配；建立实验仪器管理数据库，将所述映射关系按照时间序列进行存储；若用户所申请的实验仪器中存在缺陷信息，所述实验仪器管理数据库将生成缺陷提醒信息及使用注意事项，并将所述缺陷提醒信息及使用注意事项按照预设方式进行显示；同时所述实验仪器管理数据根据缺陷检测模型的检测识别结果及使用信息对实验仪器的使用寿命进行更新并进行预警，当实验仪器的使用寿命小于预设使用寿命阈值时，则将该实验仪器进行报废标记；所述实验仪器使用信息包括使用时长信息及实验项目信息，所述使用时长信息由借出登记时间与入库登记时间获取。
47.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
48.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
49.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
50.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read
‑
only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
51.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
52.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。