摘要：针对电力开关设备分/合闸X射线图像呈现设备种类多、数据量少、类别不平衡问题,提出一种基于域泛化的非均衡电力设备分/合闸X射线图像识别方法。首先以AlexNet和改进的ResNet作为骨干网络设计识别算法;然后利用最大熵对抗数据增强(MEADA)训练算法对训练集进行样本扩充,以模拟未知类型分/合闸图像的域分布;最后通过将Focal Loss损失函数引入到识别算法中解决分/合闸数据类别不平衡问题。实验结果表明,使用所提方法AlexNet和简化ResNet(ResNet-F)模型的平均准确率相比其基线方法分别提升5.31个和6.52个百分点,且ResNet-F的识别精度比AlexNet高出3.54个百分点。类激活图、受试者工作特征(ROC)曲线和t-随机嵌入(t-SNE)等可视化分析结果进一步验证了所提方法的有效性,为多域非均衡电力设备分/合闸X射线图像识别提供了新思路。