固定资产拆分比例怎么计算_资产拆分

字段

财务组织(表头):财务组织是固定资产业务的主组织,在登录用户背景有多个财务组织的时候,需要手工选择,处理单据属于哪个财务组织。单据录入过程中,如果更改财务组织,会丢失掉之前录入的部分数据。

被拆分卡片号(表头): 选择要做资产拆分的卡片号。

资产账簿(表头):如果启用了固定资产多账簿默认取值为被拆分卡片所在的固定资产主账簿。如果该卡片主账簿没有数据,那么显示主报告账簿的卡片,拆分后,其他账簿按原币原值的拆分比例计算本币原值,规则同界面的账簿,如果原币原值为“0”,那么以本币原值的拆分比例计算其他账簿的各项财务价值字段。

资产编码(表体):默认表头被拆分卡片的资产编码,可手工修改。

资产名称(表体):默认表头被拆分卡片的资产名称,可手工修改。

资产类别(表体):默认表头被拆分卡片的资产类别,可手工修改。但修改参照范围为显示账簿包括的资产类别。

设备编码(表体):在被拆分资产关联了设备卡片情况下,如果被拆分资产对应了一个设备,那么默认情况下表体行第一条数据对应该设备。如果被拆分资产对应了多个设备,默认情况表体行第一行数据对应主设备,可以修改。

增加方式(表体):默认被拆分卡片的增加方式,可以修改。

使用状况(表体):默认被拆分卡片的使用状况,可以修改。

管理部门(表体):默认被拆分卡片的管理部门,可以修改。

折旧承担部门(表体):默认被拆分卡片的折旧承担部门,可以修改。

折旧方法(表体):默认被拆分卡片的折旧方法,可以修改。

开始使用日期(表体):默认被拆分卡片的开始使用日期,可以修改。

建卡日期(表体):默认系统当前操作日期。

其他数值字段(表体):其他数值字段根据本币原值的拆分比例,自动拆分被拆分卡片的响应字段数值,并在单据保存后校验所有拆分数值之和是否等于被拆分字段。

按钮

差额调整:在资产拆分单据编辑界面,可能由于金额按照比例拆分与表头金额出现尾差,这时单击“差额调整”按钮,将尾差金额调整到焦点所在行,如果没有焦点,默认调整到表体的最后一行。“差额调整”也可以用来计算最后一张拆分卡片的金额。例如:表头被拆分卡片原值为50000,数量为5,希望拆成两张卡片,第一行表体拆分后卡片原值为10000,数量为1,在焦点置于第二行上单击“差额调整”按钮,第二行表体拆分后卡片的原值和数量会自动计算出为40000和4,累计折旧、安装调试费、相关税费、购买价款等数据同理可得。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值