La détection de l'homogénéité du mélange des matériaux est essentielle pour assurer le contrôle qualité en ligne des produits et l'optimisation des procédés. Pour faire face au flou de mise au point dans l'imagerie hyperspectrale (Hyperspectral Imaging, HSI) et aux problèmes d'évaluation de l'homogénéité qui en découlent, nous proposons un algorithme d'apprentissage auto-supervisé avec contraintes physiques pour le défloutage d'images hyperspectrales non appariées (Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring). Cet algorithme utilise un réseau de défloutage Uformer intégrant un mécanisme d'attention SimAM et améliore l'alignement des résultats avec les images nettes dans l'espace des caractéristiques via un entraînement adversarial. Par ailleurs, un module de prédiction du noyau de flou basé sur un modèle classique de dégradation est conçu pour créer des paires d'échantillons synthétiques, qui sont exploitées pour guider l'apprentissage auto-supervisé du réseau de défloutage afin de se concentrer sur la restauration des détails locaux des images hyperspectrales. Les résultats expérimentaux démontrent que la méthode proposée restaure efficacement les détails de l'image, réduit les artefacts et permet une évaluation précise de l'homogénéité du mélange des matériaux ; sur un jeu de données simulées, le PSNR atteint 34.970, le SSIM 0.900, et l'erreur de prédiction de concentration varie de 0.0228 à 0.0312. La méthode surpassent les algorithmes comparatifs sur les indices d'homogénéité tels que la divergence KL et le coefficient de variation CV, montrant une bonne valeur d'application industrielle.

imagerie hyperspectrale;défloutage de défocus;homogénéité du mélange;apprentissage auto-supervisé;contraintes physiques