示功图的精准测量在有杆抽油系统故障诊断中非常重要，针对载荷传感器直接测量法维护成本高、稳定性差，电参数间接测量法精度低、应用性不强的问题，提出一种基于条件生成对抗网络(CGAN)的电参数反演示功图混合模型。首先建立将电参数和机构参数转化光杆位移和负载的机理模型，生成粗糙的示功图样本数据；然后利用CGAN在图像转换领域的应用，建立粗糙示功图数据细化器，实现粗糙示功图与实测示功图之间的图像转化，使粗糙示功图与实测示功图更加相似；此外，为了使CGAN能更好地提取示功图轮廓，在生成器中加入自注意力机制进行改进。通过现场实测的电参数和示功图历史数据进行验证，结果表明该方法对比纯机理模型反演示功图的精度有显著提高。

为解决医疗看护环境下桌面生活物品检测效果不佳、定位误差较大的问题，提出一种基于YOLOv5的改进模型。首先，在主干网络末端使用坐标注意力(coordinate attention, CA)机制，使算法能够捕获跨通道、跨方向和位置的信息，提高算法的识别精度；然后，引入GhostConv卷积减少模型参数量，使模型更加轻量化，提高检测速度；最后，使用SIoU替换原算法的定位损失函数，使定位损失计算考虑到真实框与预测框的方向差异，有助于提升模型的稳定性。在COCO数据集部分物品种类上进行多次对比实验，结果表明，与原算法相比较，改进算法的精确率和召回率分别提高了4.1%和1.3%,在交并比为0%～50%和50%～90%时的均值平均精度分别提高了2.7%和3.9%,参数量减少了16.9%,每秒传输帧数提高了0.47帧，平均定位误差在X轴方向上减小了0.29 mm、在Y轴方向上减小了0.14 mm。