Die Prüfung der Homogenität von Materialmischungen ist entscheidend für die Online-Qualitätskontrolle von Produkten und die Prozessoptimierung. Aufgrund von unscharfen Bildern durch Defokussierung bei der hyperspektralen Bildgebung (Hyperspectral Imaging, HSI) und den daraus resultierenden Problemen bei der Bewertung der Homogenität wurde ein selbstüberwachter, physikalisch eingeschränkter Algorithmus zur Entschärfung unpaariger hyperspektraler Bilder (Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring) vorgeschlagen. Der Algorithmus verwendet ein Uformer-Deblurring-Netzwerk mit integriertem SimAM-Attentionsmechanismus und nutzt adversariales Training, um die Entschärfungsergebnisse im Merkmalsraum mit klaren Bildern abzugleichen. Gleichzeitig wurde ein auf einem klassischen Abbau-Modell basierendes Unschärfe-Kernel-Vorhersagemodul entwickelt, um Pseudo-Probenpaare zu erzeugen, die im selbstüberwachten Lernen eingesetzt werden, um das Entschärfungsnetzwerk auf die Wiederherstellung lokaler Details hyperspektraler Bilder zu fokussieren. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode Bilddetails effektiv wiederherstellen und Artefakte reduzieren kann, was eine präzise Bewertung der Materialmischhomogenität unterstützt; im simulierten Datensatz erreichte das PSNR der hyperspektralen Bilder 34,970, der SSIM 0,900, und die Konzentrationsvorhersagefehler lagen zwischen 0,0228 und 0,0312. Die Methode übertrifft vergleichbare Algorithmen bei Homogenitätskennzahlen wie KL-Divergenz und CV-Variationskoeffizient und zeigt einen hohen ingenieurtechnischen Nutzwert.

hyperspektrale Bilder;Defokusunschärfe Entfernung;Mischhomogenität;selbstüberwachtes Lernen;physikalische Einschränkungen