La détection de l'homogénéité du mélange des matériaux est essentielle pour la surveillance en ligne de la qualité des produits et l'optimisation des processus. Pour faire face au flou de mise au point dans les images issues de l'imagerie hyperspectrale (Hyperspectral Imaging, HSI) utilisé dans la détection de l'homogénéité du mélange, ainsi qu'à l'échec de l'évaluation de l'homogénéité qui en découle, une méthode 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) a été proposée. Cette méthode utilise un réseau Uformer intégrant un mécanisme d'attention SimAM pour le défloutage, et s'appuie sur un entraînement antagoniste pour aligner les résultats défloutés avec les images nettes dans l'espace des caractéristiques. Par ailleurs, un module de prédiction de noyau de flou basé sur un modèle de dégradation classique a été conçu pour construire des paires d'échantillons synthétiques, utilisées pour guider le réseau de défloutage via un apprentissage auto-supervisé focalisé sur la restauration des détails locaux des images hyperspectrales. Les résultats expérimentaux montrent que la méthode proposée restaure efficacement les détails de l'image, réduit les artefacts, et facilite une évaluation précise de l'homogénéité du mélange des matériaux ; sur un ensemble 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. Cette méthode surpasse les algorithmes comparés sur les indicateurs d'homogénéité tels que la divergence KL et le coefficient de variation CV, démontrant une forte valeur d'application en ingénierie.

Images hyperspectrales;Défloutage;Homogénéité de mélange;Apprentissage auto-supervisé;Contraintes physiques