1.基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：包括采集弹簧管表面的图片，进行空间域滤波算法预处理后再缩放至统一大小后，输入到离线训练好的DCL‑YOLOv8网络中，输出带有弹簧管表面缺陷预测框和置信度的检测图片；

DCL‑YOLOv8网络是以YOLOv8n网络为基础网络，采用DEMA‑PMSFA模块替换原主干网络中的C2f模块，采用CGRFPN网络替换原颈部网络中的特征金字塔，基于参数共享的LSBECD模块替换原头部网络中的三个检测头；

DCL‑YOLOv8，即 Defect‑oriented Context Enhancement and Lightweight YOLOv8，代表缺陷导向的上下文增强与轻量化 YOLOv8；

DEMA‑PMSFA，即路径聚合与EMA 注意力融合的部分多尺度特征聚合，通过在原C2f 中的颈部 Bottleneck 部分引入融合了部分卷积 PConv 思想的三阶段渐进式特征提取机制，并配合高效多尺度注意力机制 EMA 和路径聚合机制；

CGRFPN 网络，即上下文引导的空间特征重建特征金字塔网络，包括金字塔上下文提取 PCE 模块、多尺度特征融合 FBM 模块与动态插值融合 DIF 模块；

LSBECD，即轻量化共享细节增强型批归一化分离卷积头，除前端 3 个 1×1 的 Conv模块独立设置外，其余卷积层均采用参数共享机制；在共享卷积层后设置独立计算的 BN层，通过归一化处理不同分支特征分布；在网络末端设置可学习的 Scale 层对特征进行动态缩放，使检测头能够自适应不同尺度目标的特征差异。

2.根据权利要求1所述的基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：

所述DEMA‑PMSFA模块包括卷积模块和EMA注意力机制，输入特征依次经过三个不同卷积核尺寸的卷积分别提取缺陷局部纹理细节特征、中尺度语义信息和深度语义信息，将缺陷局部纹理细节特征、中尺度语义信息和深度语义信息经按通道拼接后，经卷积和EMA注意力机制生成动态注意力权重，然后将动态注意力权重与输入特征进行逐元素相加。

3.根据权利要求2所述的基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：

所述CGRFPN网络中，主干网络输出的特征P3、特征P4和特征P5经过金字塔上下文提取模块后对应地输出特征 、特征 和特征 ，特征P5经过矩形自校准模块后与特征一起经过多尺度特征融合模块输出特征 ，特征P4经过矩形自校准模块后与特征 一起经过动态插值融合模块，再与特征 一起经过多尺度特征融合模块输出特征 ；特征P3经过矩形自校准模块后的输出与特征 一起经过动态插值融合模块，再与特征 一起经过多尺度特征融合模块输出特征 。

4.根据权利要求3所述的基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：

所述金字塔上下文提取模块的操作为：

其中，表示不同层级输入特征，表示池化操作，表示跨通道特征整合， 表示连续通过3次矩形自校准模块，表示对输出通道的维度调整与整合。

5.根据权利要求4所述的基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：

所述空间域滤波算法预处理包括对输入图像先通过抖动位移矫正将输入图像中的弹簧管转至水平状态，然后通过掩膜操作去除弹簧管背景区域，保留完整目标检测区域。

6.根据权利要求5所述的基于改进YOLOv8n的内窥镜弹簧管缺陷检测方法，其特征在于：

所述DCL‑YOLOv8网络的离线训练过程为：

采集并挑选带有表面缺陷的弹簧管图片，进行空间域滤波算法预处理后再缩放至统一尺寸，并进行分类标注为黑点、色点和破损三类后，随机分为训练集和测试集，将训练集中标注好的图片输入DCL‑YOLOv8网络中进行训练，根据损失函数不断优化训练模型得到更接近标签的权重；将标注好的测试集图片输入训练好的模型进行评价指标验证。