A detecção da uniformidade da mistura de materiais é crucial para a monitoração online da qualidade do produto e a otimização do processo. Em resposta ao desfoque por falta de foco em imagens hiperespectrais (Hyperspectral Imaging, HSI) e ao consequente problema de falha na avaliação da uniformidade, foi proposto um algoritmo de deblurring auto-supervisionado com restrição física para imagens hiperespectrais não pareadas (Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring). O algoritmo utiliza a rede Uformer com mecanismo de atenção SimAM como a rede de deblurring, e por meio de treinamento adversarial promove o alinhamento dos resultados de deblurring com imagens claras no espaço de características. Ao mesmo tempo, foi projetado um módulo de previsão do kernel de desfoque baseado em um modelo clássico de degradação para construir pares de pseudoamostras, que são usados para guiar o aprendizado auto-supervisionado da rede, focando na recuperação de detalhes locais da imagem hiperespectral. Os resultados experimentais mostram que o método proposto recupera efetivamente os detalhes da imagem e reduz artefatos, auxiliando na avaliação precisa da uniformidade da mistura de materiais; no conjunto de dados simulado, o PSNR da imagem hiperespectral atingiu 34.970, o SSIM 0.900, e o erro de predição da concentração variou de 0.0228 a 0.0312. O método supera os algoritmos comparados em indicadores de uniformidade, como a divergência KL e o coeficiente de variação CV, demonstrando um bom valor prático de engenharia.

imagens hiperespectrais; remoção de desfoque; uniformidade da mistura; aprendizado auto-supervisionado; restrição física