1.一种基于改进YOLOv8的多尺度特征融合3D打印缺陷检测方法，其特征在于：包括以下步骤：步骤一：收集3D打印图像数据，并对收集到的数据使用DE‑GAN进行数据增强；

步骤二：构建AMF‑Net，集成AFP、CSC和SAGM模块；

步骤三：采用MTCL策略进行模型训练，同时进行缺陷检测、分类和程度估计；

步骤四：通过超参数调优、模型剪枝和量化来优化模型性能；

步骤五：开发IFOSystem，对缺陷进行实时检测与打印参数优化；

步骤六：使用CPI评估框架对模型进行全面评估。

2.根据权利要求1所述的一种基于改进YOLOv8的多尺度特征融合3D打印缺陷检测方法，其特征在于：对数据使用DE‑GAN进行数据增强的具体步骤：步骤一：使用CycleGAN作为生成3D打印缺陷图像的GAN架构，使用部分标注的图像预训练GAN模型；

步骤二：将标注的缺陷图像用于训练GAN，将真实缺陷图像作为输入提供给GAN的生成器，生成逼真的缺陷图像，判别器学习区分真实图像和生成图像，交替更新生成器和判别器的参数，直到GAN能够生成高质量的缺陷图像；

步骤三：使用训练好的GAN生成新的缺陷图像，手动评估生成图像的质量，确保图像符合实际缺陷特征，将生成的图像与原始数据集融合，增加数据集的多样性和规模。

3.根据权利要求1所述的一种基于改进YOLOv8的多尺度特征融合3D打印缺陷检测方法，其特征在于：权利要求1中步骤二的具体步骤：步骤一：在YOLOv8的骨干网络中提取不同尺度的特征图，对特征图进行上采样和下采样操作，构建金字塔结构，使用可学习的权重矩阵来动态融合不同尺度的特征；

步骤二：在金字塔的相邻层之间添加跳跃连接，允许信息直接流动，使用Element‑wise Addition合并来自不同层的特征；

步骤三：对特征图的通道进行压缩来计算空间注意力图，使用计算出的注意力图对特征图进行重加权，突出重要的特征；

步骤四：在PyTorch中定义一个新的网络类，继承自YOLOv8的网络类，在类中实现AFP、CSC和SAGM模块，并根据设计好的架构进行集成，编写前向传播函数，使得数据在网络中正确流动；

步骤五：加载YOLOv8的预训练权重作为网络初始化的一部分，设置网络的超参数。

4.根据权利要求1所述的一种基于改进YOLOv8的多尺度特征融合3D打印缺陷检测方法，其特征在于：权利要求1中步骤三的具体步骤：步骤一：保持YOLOv8的检测头部，将其用于生成边界框和缺陷置信度，添加一个新的分类头部用于输出缺陷类型，添加另一个全连接层用于输出缺陷程度的分类标签；

步骤二：使用YOLOv8的定位损失定义检测损失，使用交叉熵损失定义分类损失，使用均方误差定义程度评估损失；

步骤三：从同一图像中提取两个具有相似缺陷特征但位置不同的补丁，从不同图像中提取两个具有不同缺陷特征的补丁，使用InfoNCE Loss来度量正样本对之间的相似性和负样本对之间的差异性，从网络中提取用于对比的特征，根据提取的特征计算对比损失；

步骤四：通过网络传递输入数据，同时计算检测、分类和程度估计的输出，计算总损失，根据计算出的损失进行反向传播，更新网络的权重，使用Adam更新网络的权重；

步骤五：在每个训练批次后记录损失值，用于监控训练进度，定期在验证集上评估模型性能，调整超参数以防止过拟合，根据验证集的性能，使用学习率调度器调整学习率，通过应用权重衰减来减少过拟合；

步骤六：在训练完成后，在测试集上评估模型的最终性能，计算检测的mAP、分类准确率、程度估计的误差指标。

5.根据权利要求1所述的一种基于改进YOLOv8的多尺度特征融合3D打印缺陷检测方法，其特征在于：权利要求1中步骤四的具体步骤：步骤一：选择调优的超参数，系统地遍历超参数的多个组合，随机选择超参数组合进行测试，找到最佳组合，使用概率模型来预测超参数组合的性能，指导搜索过程，记录每次实验的超参数和性能，选择性能最佳的超参数组合；

步骤二：通过移除不重要的权重，减少模型参数的数量，减少计算量，加快模型的前向传播，移除单个权重及整个神经元或卷积核，训练完整的模型，根据剪枝标准移除权重，对剪枝后的模型进行微调来恢复性能，从较小的剪枝比例开始，逐步增加，直到达到满意的性能和模型大小；

步骤三：通过降低权重的精度来减少模型大小，在训练后量化权重，并固定量化值，收集量化所需的权重和激活的最大值，根据统计数据将浮点数权重转换为量化值，在量化后的模型上进行微调来恢复性能，评估量化模型的推理速度，在测试集上评估模型的准确率，比较优化前后模型的大小，测量模型处理单个样本的平均推理时间。