La detección de la uniformidad en la mezcla de materiales es clave para lograr el monitoreo en línea de la calidad del producto y la optimización del proceso. Frente al desenfoque en imágenes hiperespectrales (Hyperspectral Imaging, HSI) y el fallo en la evaluación de la uniformidad que ello provoca, se propone un algoritmo de deblurring para imágenes hiperespectrales no emparejadas basado en aprendizaje auto-supervisado con restricciones físicas (Physics-Constrained Self-Supervised Learning for Unpaired Hyperspectral Image Deblurring, PC-SSL-HSI Deblurring). El algoritmo utiliza la red Uformer con mecanismo de atención SimAM para el deblurring, y mediante entrenamiento adversarial alinea los resultados con imágenes claras en el espacio de características. Además, se diseña un módulo de predicción de núcleos de desenfoque basado en un modelo clásico de degradación para generar pares pseudomuestra, y se emplea el aprendizaje auto-supervisado con estas parejas para guiar a la red hacia la recuperación de detalles locales. Los resultados experimentales muestran que el método propuesto puede recuperar eficazmente los detalles de las imágenes y reducir artefactos, ayudando a evaluar con precisión la uniformidad de mezcla de materiales; en un conjunto de datos simulado, el PSNR alcanzó 34.970, el SSIM 0.900, y el error de predicción de concentración fue de 0.0228 a 0.0312. El método supera a otros algoritmos comparativos en métricas como la divergencia KL y el coeficiente de variación CV, mostrando un buen valor para aplicaciones de ingeniería.

imágenes hiperespectrales; eliminación de desenfoque; uniformidad de mezcla; aprendizaje auto-supervisado; restricciones físicas