Tracking Multiple Mouse Contours (without Too Many Samples)
Tracking Multiple Mouse Contours(without Too Many Samples)
Paper1334
Abstract
We present a particle?ltering algorithm for robustly track-ing the contours of multiple deformable objects through se-vere occlusions.Our algorithm combines a multiple blob tracker with a contour tracker in a manner that keeps the required number of samples small.This is a natural combination because both algorithms have complementary strengths.The multiple blob tracker is an effective solu-tion to the model-data association problem and searches a smaller and simpler space.On the other hand,contour tracking gives more?ne-tuned results and relies on cues that are available during severe occlusions.Our choice of combination of these two algorithms accentuates the advan-tages of each.We demonstrate good performance on a chal-lenging video sequence of three identical mice that contains multiple instances of severe occlusion.
1.Introduction
In this paper,we address the problem of tracking the con-tours of multiple identical mice from video of the side of their cage;see Figure3for example video frames.Although existing tracking algorithms might work well from an over-head view of the cage,the majority of vivaria are set up in a way that prohibits this view.A solution to the side view tracking problem would be extremely useful for medical re-searchers wishing to automatically monitor the health and behavior of lab animals.The contour tracking problem is also interesting from a computer vision standpoint.Track-ing mouse contours is dif?cult because they are extremely deformable3D objects with unconstrained motion.Thus, any mouse contour model general enough to represent most possible deformations is necessarily complex.The biggest challenge to tracking mice from a side view is that the mice occlude one another severely and often.Tracking the mice independently would inevitably result in two trackers fol-lowing the same mouse.Thus,the data association problem must be handled explicitly by a multitarget tracking algo-rithm.These algorithms involve searching a space whose size increases exponentially with the number of objects.Di-rectly searching the contour space for all mice at once is prohibitively expensive.
In addition,tracking individual mouse identities is dif?-cult because the mice are indistinguishable.We cannot rely on object-speci?c identity models and must instead accu-rately track the mice during occlusions.This is challenging because mice have few if any trackable features,their be-havior is erratic,and edges(particularly between two mice) are hard to detect.Other features of the mouse tracking problem that make it dif?cult are clutter(the cage bedding, scratches on the cage,and the mice’s tails),inconsistent lighting throughout the cage,and moving re?ections and shadows cast by the mice.
Our algorithm is of general interest to the tracking com-munity because the challenges to successful mouse track-ing are common to many real world tracking applications. While many video sequence testbeds are constructed to show off the novelty of an algorithm,our algorithm is con-structed to address the challenges of a speci?c tracking problem.Thus,our feature extraction algorithm must be powerful,our objects’state representation must be detailed, and our algorithm must be able to search the complex pa-rameter space with a limited number of samples.
We propose a combination of existing blob and con-tour tracking algorithms each of which address subsets of the challenges above.Our combination accentuates the strengths of each algorithm to address all the challenges speci?c to mouse tracking.In addition,we capitalize on the independence assumptions made by our model,so that most of our search can be done independently for each mouse. This reduces the size and complexity of the search space, and allows our Monte Carlo sampling algorithm to search the complex state parameter space with a reasonable num-ber of samples.Our algorithm works with a detailed repre-sentation of mouse contour to achieve positive results on a video sequence of three mice exploring a cage.
The paper is organized as follows.In Section2,we de-scribe the algorithms we build off of:the Bayesian Multiple Blob(BraMBLe)tracker[5]and MacCormick et al.’s con-tour likelihood model[6].In Section3,we describe the model assumed for the blob and contour tracking problem. In Section4,we describe our particle?ltering algorithm for ?tting contours given this model.In Section5,we present speci?c details of our algorithm,and the results for a chal-lenging video sequence.
2.Related Work
Our algorithm builds off of the BraMBLe tracker[5]and MacCormick et al.’s contour tracking framework[6,1].
Both of these approaches are based on particle?ltering. In this section,we?rst introduce standard particle?ltering with the purpose of introducing notation;see[2]for a com-plete treatment of particle?ltering.Then,we describe the blob and contour tracking algorithms brie?y,and point out their strengths and weaknesses for our application.
2.1.Particle Filtering
Particle?ltering is a Monte Carlo sampling algorithm for estimating properties of hidden variables given observations in a hidden Markov model.For tracking from video,x t, the state at time t,represents the positions of the objects in frame t,and y t,the observation at time t,is a function of video frame t.Particle?ltering assumes that we can directly sample from p(x t|x t?1),the probability of transitioning to state x t from state x t?1.It also assumes that we can easily evaluate the observation likelihood,p(y t|x t),the likelihood of observing y t in state x t.
Particle?ltering sequentially constructs particle set rep-resentations of p(x t|y1:t),the posterior probability of ob-serving state x t given the sequence of observations y1:t= (y1,...,y t),using the following recursive factorization:
p(x t|y1:t)∝p(y t|x t)p(x t|y1:t?1)
=p(y t|x t)
X
p(x t|x t?1)p(x t?1|y1:t?1)d x t?1.
Let{(x(i)t,w(i)t)}N i=1be the set of N particles represent-ing the?ltering distribution at frame t.Particle?ltering uses importance sampling to sequentially create the cur-rent particle set,{(x(i)t,w(i)t)}N i=1,from the previous set, {(x(i)t?1,w(i)t?1)}N i=1.In its most standard form,the impor-tance function and importance weights are:
x(j)t～p(x t|y1:t?1)≈
N
i=1
w(i)t?1p(x t|x(i)t?1)
w(j)t∝p(y t|x(j)t),
where the weights are normalized to sum to one.
2.2.BraMBLe Likelihood
The Bayesian Multiple Blob(BraMBLe)tracker[5] provides a solution to tracking multiple occluding blobs/objects from video.The novelty of BraMBLe is its observation likelihood model,which provides a natural and robust solution to the data association problem.Given a hy-pothesized set of blob positions x,BraMBLe?rst computes the label l g(x)of each image location g on a grid as either foreground(within some blob)or background(outside of all blobs).The likelihood of an observed pixel value y g for each label is modeled as a Gaussian mixture model(a sep-arate background GMM is learned for each grid location,a common GMM is learned for the foreground).The pixel values are assumed to be independent given the state,so the likelihood of the entire frame is assumed to be the product of the individual pixel likelihoods:
p(y|x)∝
G
g=1
p g(y g|l g(x)),
where p(y g|fore)and p g(y g|back)are the GMMs.
BraMBLe does suffer from the curse of dimensionality; the space searched by BraMBLe grows exponentially with the number of objects tracked.However,the number of pa-rameters required to describe a blob is minimal.In addition, the likelihood function is smooth,in comparison to likeli-hood functions used for contour tracking(e.g.[6]).This makes the search simpler and more robust.
Empirically,we found that BraMBLe performs well on the mouse tracking application in locating the approximate positions of the mice(up to permutations of the identity la-bels).The main failure is that our blob representation of the state of a mouse(an ellipse)was not detailed enough to give precise object positions.This approximate model makes the likelihood higher for some reasonable?ts than others,based on the relationship between the model and the object’s shape(in the common case that the2D mouse shape is not precisely elliptical).Because of the invalid indepen-dence assumptions made in the likelihood model,some rea-sonable?ts will be evaluated as orders of magnitude better than others.This is particularly evident during occlusions, when the set of reasonable blob?ts is large.BraMBLe will choose one?t as best early in the occlusion,and give this ?t a disproportionately large weight.The particle sets pro-duced are thus extremely sparse,and BraMBLe cannot later recover from its mistake.
2.3.MacCormick et al.’s Contour Likelihood We combine the blob likelihood from BraMBLe with the “generic contour likelihood”described in[6].In contour tracking,the state is represented by parameters which de-?ne a B-spline.To determine the likelihood of a video frame given the hypothesized state,edges in the video frame are detected along a sparse set of short measurement lines nor-mal to and centered on the B-spline.The intersection be-tween the hypothesized contour state and the measurement line is the center of the measurement line.
Let y be the binary vector indicating where edges are detected on a measurement line,n be the number of edges detected,and L be the measurement line length.If n=0, then the measurement line likelihood is p(y|x)=p01.If n≥1,with probability1?p01,one of these edge detections was produced by the hypothesized intersection,and the rest were produced by background clutter.With probability p01,
they were all produced by background clutter.The loca-tion of the edge produced by the hypothesized intersection is Gaussian around the line center with varianceσ2.Clut-ter edge detections are uniformly distributed along the line. The number n of clutter detections is a Poisson random variable,b(n )=e?λL(λL)n /n !.Thus,for n≥1,
p(y,n|x)=(1?p01)b(n?1)
L
n
i=1
y i N(i;L/2,σ2)+p01
b(n)
L
.
The measurement line observations are assumed to be inde-pendent given the state,so the total likelihood is the product of the individual likelihoods.
We found that,even for one mouse,the search performed by contour tracking is much more dif?cult than that per-formed by BraMBLe.In our occlusion-free training se-quence of300frames,the generic contour tracker lost one of three mice completely.This is because,for a detailed contour model,the parameter space is larger than for a blob model.In addition,the contour observation likelihood is much less smooth than the blob likelihood:if a pair of con-tours are not a very good?t to the video frame,then the rankings given to the contours are often not meaningful. However,for contours that are very close to?tting the data, the contour likelihood is usually peaked around a meaning-ful?t.This is in contrast to BraMBLe,in which the rank-ings are usually meaningful on a large scale but not mean-ingful on a small scale.Even for one object,low-level blob tracking is useful for guiding the contour search[4].Thus, while a generalization of this contour likelihood to multi-ple targets exists[7],we found that it alone did not work well for our complex multitarget contour model.We in-clude contour tracking because there is more contour signal available during occlusions,both in the silhoutte of the oc-clusion and the boundary between pairs of mice.
3.A Blob and Contour Object Model We use a particle?ltering algorithm to approximate p(x t|y1:t),the posterior distribution of the state of all k mice in frame t,x t=x t,1:k,given blob and contour ob-servations for frames1through t,y1:t=(y c,1:t,y b,1:t).To perform the blob and contour particle?ltering described in Section4,we must be able to generate samples from and evaluate the transition distributions.These are:
?p(x tm|x t?1,m):the distribution of the contour state at time t for mouse m given the contour state at time t?1 for mouse m.
?p(x btm|x t?1,m):the distribution of the blob state at time t for mouse m given the contour state at time t?1 for mouse m.
?p(x tm|x btm,x t?1,m):the distribution of the contour state at time t for mouse m given the blob state at time
t for mouse m and the contour state at time t?1for mouse m.
We must also be able to evaluate the observations likeli-hoods.These are:
?p(y ctm|x tm):the likelihood of observing the contour observations at time t for mouse m given the contour state at time t for mouse m.
?p(y bt|x t,1:k)=p(y bt|x b,t,1:k):the likelihood of ob-serving the blob observations at time t given the state at time t for all k mice.
Notice that the only model that depends on all k mice is the blob observation likelihood.This is because of the many independence assumptions made.We assume that the mice move independently of one another and the transition prob-ability for k mice can be factored as the product for each mouse.Second we assume that the blob and contour ob-servations are independent given the state,so we can factor the observation likelihood as the product of the blob and the contour likelihood.Third,the assumptions made by the generic contour likelihood allowed it to be factored as the product of the likelihood of the relevant measurement lines for each mouse.
In this section,we describe the forms of these distri-butions assumed.We?rst describe the representation and parameterization of the blob and contour states in Section 3.1.In Section3.2,we describe the transition distributions which make many independence assumptions based on the state parameterization.In Section3.3,we describe the as-sumed observation model.
3.1.The Blob-Contour State
We have a combined blob and contour state model.An in-dividual mouse blob is modeled as an ellipse,which we describe by?ve shape and three velocity parameters.We chose to parameterize the blob by the center x-coordinate μx,the center y-coordinate,μy,the semimajor axis length, a,the semiminor axis length b,the rotation after scaling,θ, the center x-velocity,v x,the center y-velocity,v y,and the semimajor axis length velocity,v a:
x bm=(μxm,μym,a m,b m,θm,v x,v y,v a)
. Figure1:The12B-spline contour templates chosen to represent a mouse contour.The circles are the locations of the measurement lines.
An individual mouse contour is modeled as any af?ne transformation of any of a discrete set of closed B-spline contour templates.Figure1shows the12templates we chose.These contours each have12knots,but there is no assumed correspondence between these knots.This was necessary because the shape of the2D mouse image varies so much.Thus,there is no sense of a linear combination of contours.This means we can’t use the model described in[1].The locations of the measurement lines along each contour template are set by hand,as shown in Figure1.In addition,the minimum and maximum allowed eccentricity, pre-scaling rotation,and post-scaling rotation are set for each contour(no limits on post-scaling rotation are given for mice hanging from the ceiling).Each contour is also labeled as facing left,right,or both left and right.
The contour state was parameterized by the eight param-eters describing the ellipse and its velocity,the rotation be-fore scaling,φ,the contour template,c,and whether the template is?ipped,f:x m=(x bm,φm,c m,f m) .The state of all k mice is the concatenation of the individual mouse state vectors,x1:k=(x 1 (x)
k
) .
3.2.Model Dynamics
We now describe the assumed transition distributions.We assume simple Gaussian transition models for continuous parameters.For the discrete contour parameters,we cal-culate a probability for each contour template based on whether the contour template is the same((c tm,f tm)= (c t?1,m,f t?1,m))and whether the contour template is facing the same direction(direction(c tm,f tm)= direction(c t?1,m,f t?1,m)).All our transition models are similar.
We describe how to generate a sample from p(x tm|x t?1,m).We?rst generate the continuous shape parameters x s=(μx,μy,a,b,θ,φ) .These follow independent damped constant velocity and/or autogressive models:
p(x st|x t?1)=N(x st;(I?Γ)(x s,t?1+Λv s,t?1)+Γ?x s,Σs), whereΓis the diagonal autoregressive constant(which is set to0forμx,μy,andθ),Λis the diagonal dampening constant(which is set to0for b,θ,andφ),andΣs is the as-sumed diagonal covariance matrix.The velocities are then set by subtracting the previous shape state from the current shape state.
Next,we generate a contour.There is a high probability of the contour in the current frame being the same as the contour in the previous frame.The probability of chang-ing to a different contour is based on whether the current contour and the new contour face the same direction.We ?rst determine which contours are allowed given the gen-erated shape.If no contour is allowed,we rotate the shape after scaling by the minimum amount to allow at least one contour.We then decide which direction(left or right)the generated contour should face(if contours facing both di-rections are allowed).We?ip the direction with probability proportional to the squared eccentricity.Given the direc-tion,we choose an allowed contour facing that direction.If the direction has not changed,we choose the same contour with high probability.All other contours allowed in a given direction are given equal weight.
The contour to blob transition model,p(x btm|x t?1,m), is the same as p(x tm|x t?1,m),for all relevant parameters. The assumed model of the contour given the blob and previ-ous contour,p(x tm|x btm,x t?1,m),is the same as the con-tour to contour transition model for parameters used only to describe the contour.The other parameters are assumed to be Gaussian around the blob parameters,with the same variance as the contour to contour transition model.
3.3.The Observation Likelihood
We use an observation likelihood model that is a combina-tion of the BraMBLe likelihood and a soft version of the generic contour likelihood.Both likelihoods are dependent on the observation features extracted from the raw video frame.In Section3.3.1we describe the observation fea-tures.In Section3.3.2,we describe our soft generalization of the contour likelihood.In Section3.3.3,we describe our combined blob and contour likelihood.
3.3.1.Feature Extraction
BraMBLe relies on foreground and background models of pixel value being distinguishable from one other.The bed-ding and the mice are similar in color,so using just the color of the pixel does not work.BraMBLe therefore?lters the three color channels with both Gaussian and Laplacian of Gaussian?lters at a set scale.The Laplacian of Gaussian ?lter is useful in differentiating the smooth mouse texture from the variable bedding texture.The only noticeable fail-ure for this choice of features is the mouse’s shadow on the bedding.This is in between the mouse and lighted bed-ding in color,and the training data we used to learn the background model did not accurately represent both lighted and shaded modes at many locations in the image.Figure 3(a)shows the log-likelihood ratio of foreground over back-ground for some example frames.
Contour tracking relies on an accurate edge detection al-gorithm.This is a challenge for our video sequence because there is a large amount of clutter in the scene.Much of the bedding has a high gradient in image intensity and there are scratches on the cage.It is also dif?cult to detect edges be-tween the mice and the bedding,because the bedding in the shadow of the mouse is very similar in color to the mouse. In addition,the edges between pairs of mice are also subtle
(if visible at all).We tried numerous edge detection meth-ods,and the only algorithm that gave reasonable results was the boundary detection algorithm used by the Berkeley Seg-mentation Engine (BSE)[8].BSE computes the posterior probability of an edge based on the brightness,texture,and color gradient using a classi?er trained on 12,000manually labeled images.We credit BSE’s superior performance in part to the texture gradient,which is robust to the types of clutter described.Figure 3(b)shows example images illus-trating BSE’s performance.The major downside of the BSE boundary detector is it is expensive –processing one entire image took over ?ve minutes on a 2.8GHz machine.We hypothesize that this algorithm can be optimized for track-ing applications to reduce this cost.3.3.2.A Soft Contour Likelihood
Because the BSE boundary detector outputs meaningful probabilities rather than hard edge classi?cations,we used a soft version of the generic contour likelihood.This was essential for detecting edges between pairs of mice,as BSE often output a weak response for these edges (see Figure 3(b)).The BSE output for location i is p (edge |y i ),the probability that i is an edge given the observations y i .We then modeled the probability of a binary classi?cation of each pixel along the line z given the edge features y along a measurement line as the product,
p (z |y )=
L i =0
p (edge |y i )z i (1?p (edge |y i ))1?z i .
We assume equal priors for all z ,so this is equal to p (y |z ).The probability of observing measurement line y given the hypothesized contour is the sum over all these possibilities:
p (y |x )=
z ∈{0,1}L +1
p (y |z )p (z ,n |x ),where p (z ,n |x )is the generic contour likelihood described
in Section 2.3.While this computation is extremely fast for small L ,it grows exponentially with L .To combat this,the sum can be taken only over z such that p (y |z )is large.3.3.3.The Blob-Contour Observation Likelihood We make the simple and reasonable assumption that the blob observations y b and the contour observations y c are independent given the state of the object:p (y b ,y c |x )=p (y b |x )p (y c |x ).Here,p (y b |x )is the BraMBLe blob like-lihood and p (y c |x )= k
m =1p (y cm |x m )is the soft con-tour likelihood.The ICondensation algorithm avoids this assumption by using a blob posterior (note that this blob posterior is not that from BraMBLe)as the importance func-tion for contour tracking [4].For our algorithm,it is essen-tial that p (y b |x )be included in our likelihood in order to use BraMBLe to solve the data association problem.
4.A Blob and Contour Particle Filter
In this section,we describe our algorithm for ef?ciently
sampling from the combined blob and contour posterior dis-tribution for the k mice,p (x t,1:k |y b,1:t ,y c,1:t ),given the models and independence assumptions described in Section 3.We do this in a manner that accentuates the strengths of the blob and contour tracking algorithms.Our sampling al-gorithm also capitalizes on our independence assumptions –we assume that the contour likelihood and the state dy-namics are independent for each mouse.
At each iteration of particle ?ltering,we begin by sam-pling using only the blob observations.This step localizes the search space for each mouse.This has two effects.It decreases the amount of space that must be searched in the contour tracking step,like the blob importance function of [4].It also separates the mice so that we can run contour tracking independently for each mouse.Then,indepen-dently for each mouse,we incorporate the contour obser-vations to ?ne-tune the ?t.These two sampling steps result in an algorithm that samples from the product of the poste-rior marginals,
k
m =1
p (x tm |y 1:t,m ),
where y 1:tm =(y b,1:t ,y c,1:t ?1,y ctm )In order to obtain a particle set representation of the posterior distribution of all the mice,we reweight the samples by the importance weight.In Section 4.1,we show how the marginal posterior can be decomposed into the distributions described in Sec-tion 3.We also present our particle ?ltering algorithm that uses this decomposition to generate a particle set represent-ing the marginal posterior for each mouse.In Section 4.2,we describe our algorithm for combining these particle sets to produce a particle set representation of the joint posterior.Our algorithm is similar to the partitioned sampling al-gorithm [6],in that sampling is done for one object at a time to decrease the number of samples needed.The method and the assumptions made are different.It requires a model we do not have:the complete observation likelihood given the position of only one object.To avoid creating this model,we exploit independence assumptions that are not available in the partitioned sampling framework.
4.1.Sampling from the Marginal Posterior
Given {(x (i )
t ?1,1:k ,w (i )
t ?1)}representing p (x t ?1,1:k |y 1:t ?1),we sample from the marginal
p (x tm |y 1:t,m )=
p (x tm |y tm ,x t ?1,1:k )dp (x t ?1,1:k |y 1:t ?1)
≈
N i =1
p (x tm |y tm ,x (i )t ?1,1:k )w (i )
t ?1,
where y tm=(y bt,y ctm).This is the probability that the state at frame for mouse m t is x tm given the state of all k mice in the previous frame,x t?1,1:k and the observations for mouse m.We only have a model of the blob likelihood given the positions of all k mice,p(y bt|x t,1:k),so we intro-duce dummy state vectors in an integral to get:
p(x tm|y1:t,m,x t?1,1:k)=
p(x tm,b1:k|y tm,x t?1,1:k)d b1:k,
where b1:k are the blob state vectors at time https://www.wendangku.net/doc/889555894.html,ing the HMM and observation likelihood independence assump-tions,we can rewrite this as
p(x tm|b m,x t?1,m,y ctm)p(b1:k|x t?1,1:k,y bt)d b1:k
=p(y ctm|x tm)
p(x tm|b m,x t?1,m)p(y bt|b1:k)
p(b1:k|x t?1,1:k)d b1:k
This decomposition is in terms of the distributions de-scribed in Section3for which we have assumed sim-ple models.We can therefore generate particles from this distribution from the previous state’s particle set,
{(x(i)
t?1,1:k ,w(i)t?1)},using standard particle?ltering tech-
niques.There are many ways that this can be done;pseu-docode for our choice is shown in Figure2.The particle set{(?x(i)tm,w(i)tm)}generated in this algorithm represents the marginal posterior distribution for mouse m.We resample in steps1a(as in standard particle?ltering)and1d.The ex-tra resampling step in1d localizes the contour search space to parts deemed important by blob tracking.
For t=1,2,...:
1.Sample from the marginal posteriors:
For i=1,...,N:
a.Chooseˉx(i)
t?1,1:k ～{(x(j)
t?1,1:k
,w(j)
t?1
)}.
b.Generateˉb(i)
1:k ～p(b1:k|ˉx(i)
t?1,1:k
).
https://www.wendangku.net/doc/889555894.html,pute the weight w(i)
b ∝p(y bt|ˉb(i)
1:k
).
d.Choose(b(i)
1:k ,x(i)
t?1,m
)～{(ˉb(j)
1:k
,ˉx(j)
t?1,m
,w(j)
b
)}
e.For m=1,...,k,
Generate?x(i)
tm ～p(x tm|b(i)
m
,x(i)
t?1,m
).
https://www.wendangku.net/doc/889555894.html,pute the weight w(i)
tm =p(y ctm|x tm).
2.Sample from the joint posterior:
For i=1,...,N:
a.For m=1,...,k,
Choose x(i m)
tm ～{(?x(j)
tm
,w(j)
tm
)}.
b.Concatenate:x(i)
t,1:k =(x(i1)
t1
,...,x(i k)
tk
).
https://www.wendangku.net/doc/889555894.html,pute the importance weight:
w(i)
t ∝p(y bt|x(i)
t,1:k
)
P N
j=1
w(j)
t?1
Q k
m=1
p(x(i)
tm
|x(j)
t?1,m
).
Figure2:Blob and Contour Particle Filtering
4.2.Sampling from the Joint Posterior
We use the product of the marginal posteriors as the impor-tance function for sampling from the joint posterior.The algorithm for sampling from the joint posterior given parti-cle sets{(?x(i)tm,w(i)tm)}representing the marginal posterior is shown in step2of Figure2.To sample from the product of marginals,we simply choose samples independently from each of the marginals and concatenate.We then reweight each sample i by the ratio of the joint posterior and the prod-uct of marginals evaluated at the sample:
w(i)t∝
p(x(i)
t,1:k
|x t?1,1:k,y t)d x t?1,1:k
m
p(x(i)tm|y1:t,m)
.
The numerator factors as proportional to
p(y bt|x(i)
t,1:k
)
m
p(y ctm|x(i)tm)p(x(i)tm|x t?1,m)d x t?1,1:k
≈p(y bt|x(i)
t,1:k
)
m
p(y ctm|x(i)tm)
j
w(j)t?1p(x(i)tm|x(j)t?1,m). We approximate the denominator by
m
p(y ctm|x(i m)
tm
). Thus,the importance weight is the ratio
w(i)t∝p(y bt|x(i)
t,1:k
)
N
j=1
w(j)t?1
k
m=1
p(x(i)tm|x(j)t?1,m). 5.Experiments
We evaluated our blob and contour tracking algorithm on a video sequence of three identical mice exploring a cage. This sequence contained11occlusions of varying dif?culty. The model parameters were chosen by hand using a sepa-rate video sequence.Many of the parameters were set us-ing our knowledge about the problem.These include the variance of the transition models and the constraints on the state.Other parameters,including the damping and autore-gressive constants,were set to values used in[1].The con-tour likelihood parameters were set so that the ranking of the probability of each vector of observed edge detections seemed reasonable.Some of the parameters were chosen somewhat arbitrarily and never varied–these include the number of measurement lines and the parameters used in the BraMBLe likelihood.The number of samples was chosen to be N=2000.While we had qualitatively similar per-formance with N=1000samples,the results returned by particle?ltering varied quite a bit.We thus chose to present results with N=2000samples,for which the output of our particle?ltering algorithm was stable.This number of sam-ples compares favorably to the4000samples used to track a pair of leaves in[7]and the1000samples used to track two people/blobs in[5].
We provide with this paper a video of our results on a short sequence.Summary still frames are shown in Figure 4.These results demonstrate the following strengths of our algorithm:
?Our contour tracking algorithm is robust to erratic mouse behavior–we never lose a mouse.For instance, we follow mice that jump,drop from the ceiling,and make quick turns and accelerations that are not?t by our simple dynamics model(see Figure4(a)).
?Our algorithm succeeds in solving the data association problem:two contours never match the same mouse.?Our algorithm is rarely distracted by background clut-ter.This implies that our feature extraction methods and the blob and contour combination provide robust observation likelihoods.The only exceptions are when both algorithms make mistakes:when the blob tracker mistakes shaded bedding for foreground and the con-tour tracker?ts to the edge of a tail(see Figure4(b)for an example).
?Perhaps the most impressive result is that our algo-rithm accurately tracks the mice through7out of11 occlusions and partway through the other4.This is because of the detailed?t provided by the contour tracking algorithm and its ability to use features avail-able during occlusions.Example successful frames are shown in Figure4(c).
?In general,our algorithm usually found very good con-tour?ts outside of occlusions,much better than those obtained using contour tracking alone.
Our algorithm has a couple of failure modes which we plan on addressing in future work.First,it occasionally gets stuck in local optima in which the contour?t was facing the wrong direction(see Figure4(b)).We plan to address this problem with a better model of the probability of the direc-tion changing.Second,our algorithm swaps identity labels in four occlusions(see Figure4(d)).The reason for this is that the?t of our algorithm is heavily biased by the?t of the BraMBLe algorithm.For occlusions in which the contour observation signals are weak,this bias from BraMBLe can dominate.We propose a solution to this in Section6.
For comparison,we also implemented a combined blob-contour tracking algorithm that did not exploit the contour likelihood independence assumption.This algorithm has the disadvantage that samples of all k mice are weighted by the product of the contour likelihood for each mouse. Thus,the number of samples?tting blobs is the same,but the effective number of samples used when?tting contours is much smaller.We tested this algorithm on500frames with6occlusions(our algorithm works on4).The results?t our theory.While this algorithm was resistant to drift(blob tracking is the same in both algorithms),the contour?ts found were less satisfactory.In general,they were less?ne-tuned and more variable from frame to frame,suggesting that more samples are needed.This is particularly evident during occlusions.The?ts during occlusions are less?ne-tuned to the contour data,and therefore more in?uenced by the blob tracking results.This causes worse?ts in every oc-clusion in the sequence.This algorithm swapped identities twice more than the algorithm proposed in this paper. 6.Conclusions and Future Work
We have presented a combined blob and contour particle ?ltering algorithm that performs well on a dif?cult video sequence of three identical mice exploring a cage.Our al-gorithm leverages the strengths of multiple blob tracking, contour tracking,and the independence assumptions of our model to accurately track the mouse contours without too many particles.This combination allows robust tracking of multiple occluding objects on real data.
In future work,we plan on exploring algorithms that use information from both the past and the future to determine the positions of the mice during an occlusion.We hope that this will solve the main failure of the algorithm proposed in this algorithm by making BraMBLe return a more global ?t.We are exploring heuristic solutions to this problem,in the direction of[3].
References
[1] A.Blake and M.Isard.Active Contours.Springer,Great
Britain,2000.
[2] A.Doucet,N.de Freitas,and N.Gordon,editors.Sequen-
tial Monte Carlo Methods in Practice.Springer-Verlag,New York,2001.
[3] B.for anonymous review.
[4]M.Isard and A.Blake.ICONDENSATION:Unifying low-
level and high-level tracking in a stochastic framework.Lec-ture Notes in Computer Science,1406:893–908,1998. [5]M.Isard and J.MacCormick.BraMBLe:A Bayesian
multiple-blob tracker.In ICCV,2001.
[6]J.MacCormick.Stochastic Algorithms for Visual Tracking.
Distinguished Dissertations.Springer,Great Britain,2002. [7]J.MacCormick and A.Blake.A probabilistic exclusion prin-
ciple for tracking multiple objects.IJCV,39(1):57–71,2000.
[8] D.Martin,C.Fowlkes,and J.Malik.Learning to detect natu-
ral image boundaries using local brightness,color,and texture cues.PAMI,26(5):530–549,May2004.
(a)The log-likelihood ratio of foreground over back-ground for selected frames.Image ii shows an oc-clusion.Image iii shows the tail and shadow of the mice.
(b)The second column shows the BSE output;the third shows the canny edge detector’s output.In image i an edge between a pair of mice is found.In image ii,BSE gives a weak response to an edge between a pair of mice.In the bottom
frame,BSE is robust to scratches.Figure 3:Features extracted for the (a)blob and (b)contour observation
likelihoods.
(a)Tracking results for a mouse jumping,a mouse falling from the ceiling,and a mouse turning
quickly.
(b)The contour is ?t to a tail and the blob is ?t to a shadow;the tracker is robust to scratches on the cage;the contour is
?ipped.
(c)The ?rst three occlusion sequences in which our tracking algorithm performs
well.
(d)The ?rst two occlusion sequences on which our algorithm swaps mouse identities.
Figure 4:Still frame summary of our results.We plot the average af?ne transformation applied to the contour with the most total weight.
项目进度计划控制管理
一、工程项目进度控制管理基本论述 1·1 工程项目进度管理控制含义及作用 工程项目进度管理控制是对工程项目在施工阶段的作业程序和作业时间进行规划、实施、检查、调查等一系列活动的总称，即在施工项目实施过程中，按照已经核准的工程进度计划，采用科学的方法定期追踪和检验项目的实际进度情况，并参照项目先期进度计划，找出两者之间的偏差，并对产生偏差的各种因素及影响工期的程度进行分析与评估；而后组织、指导、协调和监督监理单位、承包商及相关单位三方，帮助其及时采取有效措施调整项目进度，使工期在计划执行中不断循环往复，直至该项目按合同约定的工期如期完工，或在保证工程质量和不增加原先预算的工程造价的条件下，使该项目提前完工并交付使用。 施工工程项目进度控制是影响工程项目管理中成本、进度、质量三大控制因素中的主要控制因素，贯穿于整个施工工程项目的投标、设计、施工、投产等所有阶段，尤其是在项目施工阶段，监理方、承包商以及相关部门对该项目进度的把控管理力度居于首位，不容忽视。 施工工程项目的进度控制管理，是工程建设过程中一项兼具实施复杂性和监管重要性的复合任务，是工程建设的三大目标的重要部分。对工程项目进度进行合理有效的控制管理，有利于尽快发挥投资者投入产出比，有利于经济秩序的良好维持，同时有利于提高企业效益。 1·2 影响工程项目进度控制的背景因素 长期以来，施工工程项目在进度控制管理方面，由于自然环境因素的制约性，面临着多重不可抗力，同时由于社会环境因素和企业管理作风因素，面临着不少压力和问题。 自然环境因素方面 工程地质条件和水文地质条件，如地质断层、溶洞、地下障碍物、软弱地基及恶劣气候、暴雨和洪涝灾害等都会对施工进度产生影响。 另外，施工中如果出现意外的事件，如战争、地震、火灾、重大工程事故、
设备管理系统功能介绍
设备的管理工作一直是大家共同关注的问题，车间设备档案不健全，对设备的运行周期不能及时了解，设备维修计划不能及时实施，其二是设备故障的诊断不及时，造成设备得不到预防修理，以上原因是导致设备使用周期短的一个根本性原因，当然还有其他原因，如：过度运行设备，维修水平不过关，粗暴对待设备等等都是导致设备运行周期达不到预期的原因。 设备管理的新潮流——全系统，全效率，全员参与 全系统是指：设备寿命周期为研究对象进行系统研究与管理，做到智能化设备管理，提高设备生命周期，加强设备的使用率。全效率是指：设备的综合效率。全员参与：设备管理有关的人员和部门都要参与，加强设备定期管理意识 实现设备的全系统管理推荐：设备管理系统 重庆六业科技根据长期的市场调研，总结各大工厂、国企、大中型企事业单位设备管理出现的问题，自主研发的设备管理系统，具有设备文档的管理，设备缺陷分析及事故管理，维修计划排程和成本核算，预防性维修以及统计报表等功能，是目前企事业设备管理最好的帮手。 设备管理系统有什么功能： 设备资产及技术管理：建立设备信息库，实现设备前期的选型、采购、安装测试、转固；设备转固后的移装、封存、启封、闲置、租赁、转让、报废，设备运行过程中的技术状态、维护、保养、润滑情况记录。 设备文档管理：设备相关档案的登录、整理以及与设备的挂接。 设备缺陷及事故管理：设备缺陷报告、跟踪、统计，设备紧急事故处理。 预防性维修：以可靠性技术为基础的定期维修、维护，维修计划分解，自动生成预防性维修工作单。 维修计划排程：根据日程表中设备运行记录和维修人员工作记录，编制整体维修、维护任务进度的安排计划，根据任务的优先级和维修人员工种情况来确定维修工人。工单的生成与跟踪：对自动生成的预防性、预测性维修工单和手工录入的请求工单，进行人员、备件、工具、工作步骤、工作进度等的计划、审批、执行、检查、完工报告，跟踪工单状态。 备品、备件管理：建立备件台帐，编制备件计划，处理备件日常库存事务（接受、发料、移动、盘点等），根据备件最小库存量或备件重订货点自动生成采购计划，跟踪备件与设备的关系。 维修成本核算：凭借工作单上人员时间、所耗物料、工具和服务等信息，汇总维修、维护任务成本，进行实际成本与预算的分析比较。
销售部月度工作计划表范文
销售部月度工作计划表范文 一、对于销售工作的认识 1.市场分析，根据市场容量和个人能力，客观、科学的制定出销售任务。暂订年任务：销售额100万元。 2.适时作出工作计划，制定出月计划和周计划。并定期与业务相关人员会议沟通，确保各专业负责人及时跟进。 3.注重绩效管理，对绩效计划、绩效执行、绩效评估进行全程的关注与跟踪。 4.目标市场定位，区分大客户与一般客户，分别对待，加强对大客户的沟通与合作，用相同的时间赢取的市场份额。 5.不断学习行业新知识，新产品，为客户带来实用的资讯，更好为客户服务。并结识弱电各行业各档次的优秀产品提供商，以备工程商需要时能及时作好项目配合，并可以和同行分享行业人脉和项目信息，达到多赢。 6.先友后单，与客户发展良好的友谊，处处为客户着想，把客户当成自己的好朋友，达到思想和情感上的交融。 7.对客户不能有隐瞒和欺骗，答应客户的承诺要及时兑现，讲诚信不仅是经商之本，也是为人之本。 8.努力保持***的同事关系，善待同事，确保各部门在项目实施中各项职能的顺利执行。 二、销售工作具体量化任务 1.制定出月计划和周计划、及每日的工作量。每天至少打30个电话，每周至少拜访20位客户，促使潜在客户从量变到质变。上午重点电话回访和预约客户，下午时间长可安排拜访客户。考虑北京市地广人多，交通涌堵，预约时选择客户在相同或接近的地点。 2.见客户之前要多了解客户的主营业务和潜在需求，先了解决策人的个人爱好，准备一些有对方感兴趣的话题，并为客户提供针对性的解决方案。 3、从招标网或其他渠道多搜集些项目信息供工程商投标参考，并为工程商出谋划策，配合工程商技术和商务上的项目运作。 4、做好每天的工作记录，以备遗忘重要事项，并标注重要未办理事项。 5.填写项目跟踪表，根据项目进度：前期设计、投标、深化设计、备货执行、验收等跟进，并完成各阶段工作。
计划跟踪与进度控制
计划跟踪与进度控制 当项目计划编制完成后，项目将进入执行阶段。项目在执行过程中，由于各种内外环境的变化，使得项目不能按照预先拟定的计划进行，项目实际执行结果与计划蓝图之间总会出现一定偏差。这种偏差的存在可能会影响我们对项目计划的实施。这就需要我们定期的收集项目的有关信息，利用软件工具对计划进度、资源、费用进行监控，得到当前计划活动与目标计划活动的监控差值，从而为分析项目计划各种指标提供依据，及早发现问题，纠正偏差，使项目计划回到正常的执行轨道上。 在执行过程中，软件提供了丰富的图表、临界值、报表过滤器等主要分析工具，为用户提供有效的辅助决策方案数据。这些工具都可以直接挂接在WBS/项目下，对当前WBS/项目进行监控分析，符合项目管理的范围管理思想。 1、每一更新周期应提供的书面报告内容 1.1、作业清单，包括以下内容： a.作业清单(作业代码名称、原定工期、紧前作业、紧后作业) (作业清单报表) b.尚需工期、实际工期 c.最早开始时间、最早完成时间、最晚开始时间、最晚完成时间 d.实际开始时间、实际完成时间 e.自由时差、总时差
(作业时间工期报表) (作业时间分析报表) 1.2、工程量完成情况报表、资源使用情况报表 工程量完成情况报表应该包括以下内容：作业编码/名称、工程量名称、单位、单价、本期单价、本期数量、本期完成费用、累计完成数量、累计完成费用、尚需数量、尚需费用、完成时数量、完成时费用预算、计划完成百分比、实 际完成百分比。
(工程量完成情况报表) 资源使用情况报表应该包括以下内容：作业编码/名称、工程量名称、单位、单价、本期单价、本期数量、本期完成费用、累计完成数量、累计完成费用、 尚需数量、尚需费用、完成时数量、完成时费用。 (资源使用情况报表) 1.3、挣值分析报表 通过挣值分析报表可以动态的从进度/成本的角度去分析作业的执行情 况，将项目的不良执行情况扼杀于萌芽状态。 a.作业完成百分比分析报表(应包括以下内容：作业编码/名称、计划完成百分 比、实际完成百分比、进度完成百分比、费用消耗百分比)
人事月度工作计划表
人事月度工作计划表 为了确保公司的高速发展，为公司提供强有力的人力资源及后勤保障，人事行政部20xx年度工作目标是：认真学习，落实公司的经营的长远规划，以求真务实的态度，落实公司对人事行政部的人力资助人源及工后勤力工作的布置，统一思想，加强服务意识，做好本部门承担的工作。 第一部分：人力资源工作计划 20xx年将是公司高速发展的一年，发展中最首要的保障就是人力资源保障，人力是根本。所以20xx年，人事行政部将根据公司经营策略的需要，在人力资源工作中将围绕以下几方面开展工作： 一、人事招聘、人力资源开发以及组织结构完善。 1、20xx年将根据公司职位设置及人员配置计划，确定招聘需求及人力资源开发计划。 2、招聘方式及渠道。 ⑴、主管以上管理人员，人事行政部将会同集团人力资源中心一起沟通、协作招聘，主要渠道以内部提升、网站招聘、猎头公司为主。 ⑵、一般员工，由人事行政部自主招聘，主要渠道以公司内部提升、同周边人才市场、职介所合作、招聘网站发布、及张贴小广告的方式进行招聘。 3、招聘政策。 ⑴、内部提升优先，公司职位空缺，优先从基层员工中挑选有能力胜任该职位的员工进行竞聘，选拔提升。
⑵、德才兼备者优先，在人员的选择中，注重员工的个人品德、工作能力、团队协作精神，让品德优秀、有才干、集体观念强的人才进入公司。 ⑶、对公司忠诚度高的人才优先，为了保持员工的稳定性，减少不确定因素的流失，在人员选拔过程式中，对公司忠诚度高的员工优先选拔及重用。 4、招聘费用预算。 ⑴、网络招聘费用：（无），网络招聘利用集团招聘网站及资源，由集团承担费用。 ⑵、人才市场招聘费用：按全年到人才市场招聘6次左右计算，预计费用为：2280.00元左右。 ⑶、猎头费用：（无），高层职位如果需要与猎头公司合作，人事行政部将与集团人力资源中心沟通与集团共同完成。 ⑷、全年总计费用：2280.00元左右。 5、组织结构完善。 ⑴、根据因事设人的原则，确定20xx年度公司组织结构。 ⑵、根据公司发展的需求设定组织结构的原则及时调整公司组织结构。 ⑶、精简臃肿的组织机构，压缩非必要的编制人员，减少管理层级，确保工作效率的提升及工作汇报、沟通的及时有效。 ⑷、对市场硬件设施进行改善及添置，增加安全防范设备，减少人员编制，降低运营成本，加强人员培训，精兵强将，不断提升市场管理水平及服务水平。 二、培训
德育月度工作计划表(2021版)
编号：YB-JH-0989 ( 工作计划) 部门：_____________________ 姓名：_____________________ 日期：_____________________ WORD文档/ A4打印/ 可编辑 德育月度工作计划表(2021 版) Frequently formulating work plans can make people’s life, work and study more regular, and develop good habits, which is a habit necessary for success in doing things
德育月度工作计划表(2021版) 摘要：经常制订工作计划，可以使人的生活、工作和学习比较有规律性，养成良好的习惯，因为习惯了制订 工作计划，于是让人变得不拖拉、不懒惰、不推诿、不依赖，养成一种做事成功必须具备的习惯。本内容可 以放心修改调整或直接使用。 一、指导思想 围绕德育工作思路和要点，加大德育创新力度，深化教育改革，全面推进素质教育。进一步加强学生的政治思想教育、道德教育、纪律教育、法制教育，增强学生的爱国主义、集体主义和社会主义的思想。巩固校园文化建设成果，强化学生良好品德行为习惯的养成，探索学生良好心理素质形成的规律与方法，完善美育和劳动教育，促进学生全面发展和健康成长。以科研带队伍，突出特色，务求实效，探索培养具有创新精神和实践能力的新型人才培养模式。 二、工作目标: (一)加强学生日常行为规范教育，保持学生良好的行为习惯; (二)加强法制教育，加强安全教育，确保学期内无责任事故发生; (三)深化团队活动，从活动中培养和提高学生的素质。组织开展综合实践活动，不断提高学生综合素质;
智能物流跟踪及仓储管理系统
智能物流跟踪与仓储管理系统 2016年9月23日
目录 1、产品方案介绍 0 1.1概述 0 1.2业务流程图 (1) 1.3 业务流程简介 0 1.4 主要硬件设备简介 (6) 2、实验内容 (10) 3、配置清单及技术指标 (11)
1、产品方案介绍 1.1概述 “互联网+”浪潮让一切传统行业和产业都在发生改变，物流业也开始进入智能时代。目前，我国物流系统虽然跨越了简单送货上门的阶段，但层次上仍是传统意义上的物流配送，先进信息技术在物流行业的应用和推广水平仍然较低，且存在物流企业规模较小且布局散乱、物流信息标准滞后等问题，物流配送的许多环节造成巨大的成本、人力、时间浪费。总体来说，我国智慧物流尚处于发展的初级阶段，运输及仓储信息化低等仍需突破。而智能物流能使整个物流系统能模仿人的智能，具有思维、感知、学习、推理判断和自行解决物流中某些问题的能力，标志着信息化在整合网络和管控流程中进入到一个新的阶段，即进入到一个动态的，实时进行选择和控制的管理水平，并成为未来发展的方向。 智能物流跟踪与仓储管理系统是利用无线射频识别技术将物联网的思想转换成实际应用的典型方案；智能物流跟踪与仓储管理系统模拟了从生产企业包装至仓储物流、商超存储，乃至消费购物、收银等整个流程。利用先进的RFID技术、AGV自动车辆导航技术和计算机网络、数据库、软件等技术，真实的展现了典型的商业运作的业务流程，实现智能仓储、智能物流、智能收银等功能，全面实现“从仓储物流到顾客购物”的智能化及零售业务管理的智能化，学生通过在智能物流跟踪与仓储物流系统实训室内各种活动及作业的模拟可以掌握现代物流信息，了解智能物流跟踪与仓储物流系统的总体流程，增强管理意识，提高团队意识和沟通能力。 智能物流输送系统可广泛应用于汽车制造、工程机械、服装家电、农用机械、
销售部门月度工作计划表
( 工作计划 ) 单位：_________________________ 姓名：_________________________ 日期：_________________________ 精品文档 / Word文档 / 文字可改 销售部门月度工作计划表Monthly work schedule of Sales Department
销售部门月度工作计划表 【篇一】 一、销量指标： 至20xx年11月31日，山东区销售任务560万元，销售目标700万元(20xx年度销售计划表附后); 二、计划拟定： 1、年初拟定《年度销售总体计划》; 2、年终拟定《年度销售总结》; 3、月初拟定《月销售计划表》和《月访客户计划表》; 4、月末拟定《月销售统计表》和《月访客户统计表》; 三、客户分类： 根据xx年度销售额度，对市场进行细分化，将现有客户分为VIP 用户、一级用户、二级用户和其它用户四大类，并对各级用户进行
全面分析。 四、实施措施： 1、技术交流： (1)本年度针对VIP客户的技术部、售后服务部开展一次技术交流研讨会; (2)参加相关行业展会两次，其中展会期间安排一场大型联谊座谈会; 2、客户回访： 目前在国内市场上流通的相似品牌有七八种之多，与我司品牌相当的有三四种，技术方面不相上下，竞争愈来愈激烈,已构成市场威胁。为稳固和拓展市场，务必加强与客户的交流，协调与客户、直接用户之间的关系。 (1)为与客户加强信息交流，增近感情，对VIP客户每月拜访一次;对一级客户每两月拜访一次;对于二级客户根据实际情况另行安排拜访时间; (2)适应把握形势，销售工作已不仅仅是销货到我们的客户方即
设备管理系统设计方案
设备管理系统设计 方案
冠唐设备管理系统 设计方案 成都冠唐科技有限公司 8月
目录 一，项目背景........................................................................... 错误!未定义书签。 1.1 企业概述 ...................................................................... 错误!未定义书签。 1.2 传统设备管理模式存在的问题 ................................... 错误!未定义书签。 1.3 实施设备管理系统的目标 ........................................... 错误!未定义书签。 1.4 需求要点 ...................................................................... 错误!未定义书签。二，系统设计原则 ................................................................... 错误!未定义书签。三，总体设计........................................................................... 错误!未定义书签。 3.1 技术基础 ...................................................................... 错误!未定义书签。 3.1 系统安全 ...................................................................... 错误!未定义书签。 3.2 管理权限划分............................................................... 错误!未定义书签。四，功能模块设计 ................................................................... 错误!未定义书签。 4.1 设备信息 ...................................................................... 错误!未定义书签。 4.2 设备台帐 ...................................................................... 错误!未定义书签。 4.3 维修保养计划............................................................... 错误!未定义书签。 4.4 维修保养记录............................................................... 错误!未定义书签。 4.5 维修经验库 .................................................................. 错误!未定义书签。 4.6 设备申购 ...................................................................... 错误!未定义书签。 4.7 设备调拨 ...................................................................... 错误!未定义书签。 4.8 设备报废 ...................................................................... 错误!未定义书签。 4.9 备品配件信息管理....................................................... 错误!未定义书签。
人事工作月度工作计划表
精心整理 人事工作月度工作计划表 为了确保公司的高速发展，为公司提供强有力的人力资源及后勤保障，人事行政部20xx08年度工作目标是：认真学习，落实公司的经营的长远规划，以求真务实的态度，落实公司对人事行政部的人力资助人源及工后勤力工作的布置，统一思想，加强服务意识，做好本部门承担的工作。 第一部分：人力资源工作计划 20xx 1、2⑴⑵3⑴ ⑵⑶4⑴、网络招聘费用：（无），网络招聘利用集团招聘网站及资源，由集团承担费用。 ⑵、人才市场招聘费用：按全年到人才市场招聘6次左右计算，预计费用为：2280.00元左右。 ⑶、猎头费用：（无），高层职位如果需要与猎头公司合作，人事行政部将与集团人力资源中心沟通与集团共同完成。 ⑷、全年总计费用：2280.00元左右。 5、组织结构完善。
⑴、根据因事设人的原则，确定2008年度公司组织结构。 ⑵、根据公司发展的需求设定组织结构的原则及时调整公司组织结构。 ⑶、精简臃肿的组织机构，压缩非必要的编制人员，减少管理层级，确保工作效率的提升及工作汇报、沟通的及时有效。 ⑷、对市场硬件设施进行改善及添置，增加安全防范设备，减少人员编制，降低运营成本，加强人员培训，精兵强将，不断提升市场管理水平及服务水平。 二、培训 1 ⑴ ⑵ 2 ⑴ — — ⑵ ⑶、加强晋升培训体系： 要求每位晋升或即将晋升的员，都必须参加相应的管理技能、专业知识的培训，并且在考试合格后，才能担任相应的职务。 ⑷、外部培训体系的建立： 加强与行业主管部门、行业培训机构、咨询顾问公司、高等院校的沟通交流。 根据外部培训的不同科目，选派不同的人员参加外部培训，学习先进的生产、管理方法，提升公司内部的管理水平，对参加外部培训的人员必须要签订培训协议。
计划管理、实施及进度跟踪
计划管理、实施及进度跟踪 我们开发工具项目组是用PROJECT进行项目计划制定和进度监控的，书上说结合这个工具可以很方便地进行计划管理、实施及进度跟踪，不过这个方便性体现在哪里呢?这个问题一直困扰着我，而且百思不能其解。最近突发奇想，制定了一套计划管理的方法，我把它介绍给你，希望可以帮到您。 首先项目组要对用户需求进行整理，根据整理出的用户需求，可以大致整理出一份功能列表。一般这份功能列表会记录在一份EXCEL文档中，其中可定义以下几个字段列：任务分类、任务名称、备注、工作量——一般单位是人/天、优先级、责任人。这些信息，其实跟我们下一步需要做的工作是息息相关的。那具体我们要怎么做呢?我认为排好计划的重中之重就是要把工作量估算好并且把任务按优先级安排好顺序。但是，在这个之前，如果有时间的话，最好做一下需求规格的整理，只有这样子我们的估算量才会比较准确。当然，在需求规格说明书整理好之后，进行需求规格说明书的文档评审那是再好不过的了。评审可以根据实际需要邀请相关的用户专家或人员参与。如果可能的话，一次通过评审固然好，不过现实中的实际情况往往没有这么理想。相反地，要不断对文档进行调整和再评审，才能整理出一份完整且完善并对设计和编码工作有真正指导意义的需求文档。如果条件允许的话，最好测试人员也能同时参加一下。 然而，实际的项目开发中，往往由于工期紧张，而不得不压缩需求、设计的时间，甚至有的项目抛弃了需求和设计阶段而直接进入编码开发阶段。在这里，我不想辩证这种做法有多少多少的不好(而且我敢肯定地说——这肯定是不好的)，关键是如果没有时间做这些工作，我们应该怎样更好的控制好需求，同时
设备管理系统-数据库设计说明书
1.引言 1.1编写目的： 设备管理系统是一个以设备为中心，对设备从统计到报废的一个全生命周期中所发生的各种事件进行跟踪的一个管理信息系统。系统可以为企业提供一个简便实用的管理平台，将设备全生命周期的管理工作信息化，有效地进行设备管理工作，以提高设备生命周期的利润率，直接为企业创造价值。设计优良的设备管理系统，实现安全性和高质量，防止故障发生，从而使企业达到降低成本和全面生产效率的提高。 1.2背景 ●企业设备管理系统开发 用户：企业及工厂 ●设备管理系统要实现对设备的管理要求，包括： 录入、浏览、删除、修改、检索和统计等。不同 的企业只需要对其稍作修改即可开发出符合本 企业要求的设备管理系统 1.3定义 SQL server2005的定义： SQL Server2005是当前最广泛的数据库之一，SQL Server 2005 通过在可伸缩性、数据集成、开发工
具和强大的分析等方面的革新更好的确立了微软在BI领域的领导地位。SQL Server 2005 能够把关键的信息及时的传递到组织内员工的手中，从而实现了可伸缩的商业智能。从CEO 到信息工作者，员工可以快速的、容易的处理数据，以更快更好的做出决策。SQL Server 2005全面的集成、分析和报表功能使企业能够提高他们已有应用的价值，即便这些应用是在不同的平台上。 1.4参考资料 SQL server教程 2外部设计 2.1标识符和状态 4.2.2数据完整性约束 （1）主键约束、非空值约束 八个表中都有主键，在设备表和用户表中，设备号和用户名是主键，因为一个公司中可能一种设备不只只有一个，也许有多个，用户密码也可能会一样的，所
生产部月工作计划表
生产部月工作计划表 工作计划实际上有许多不同种类，它们不仅有时间长短之分，而且有范围大小之别。下面是小编为您整理的关于生产部月工作计划表的相关资料，欢迎阅读！ 生产部月工作计划表例1 为了贯彻落实"安全第一，预防为主，综合治理"的方针，强化安全生产目标管理，生产部月工作计划。结合工厂实际，特制定201X年安全生产工作计划，将安全生产工作纳入重要议事日程，警钟长鸣，常抓不懈。 一、全年目标 全年实现无死亡、无重伤、无重大生产设备事故，无重大事故隐患，工伤事故发生率低于厂规定指标，综合粉尘浓度合格率达80%以上(如下表)。 二、指导思想 要以公司对201X年安全生产目标管理责任为指导，以工厂安全工作管理制度为标准，以安全工作总方针"安全第一，预防为主。"为原则，以车间、班组安全管理为基础，以预防重点单位、重点岗位重大事故为重点，以纠正岗位违章指挥，违章操作和员工劳动保护穿戴为突破口，落实各项规章制度，开创安全工作新局面，实现安全生产根本好转。 三、牢固树立"安全第一"的思想意识 各单位部门要高度重视安全生产工作，把安全生产工作
作为重要的工作来抓，认真贯彻"安全第一，预防为主"的方针，进一步增强安全生产意识，出实招、使真劲，把"安全第一"的方针真正落到实处，通过进一步完善安全生产责任制，首先解决领导意识问题，真正把安全生产工作列入重要议事日程，摆到"第一"的位置上，只有从思想上重视安全，责任意识才能到位，才能管到位、抓到位，才能深入落实安全责任，整改事故隐患，严格执行"谁主管，谁负责"和"管生产必须管安全"的原则，力保安全生产。 四、深入开展好安全生产专项整治工作 根据工厂现状，确定出201X年安全生产工作的重点单位、重点部位，完善各事故处理应急预案，加大重大隐患的监控和整改力度，认真开展厂级月度安全检查和专项安全检查，车间每周进行一次安全检查，班组坚持班中的三次安全检查，并要求生产科、车间领导及管理人员加强日常安全检查，对查出的事故隐患，要按照"三定四不推"原则，及时组织整改，暂不能整改的，要做好安全防范措施，尤其要突出对煤气炉、锅炉、硫酸罐、液氨罐等重要部位的安全防范，做好专项整治工作，加强对易燃易爆、有毒有害等危险化学品的管理工作，要严格按照《安全生产法》、《危险化学品安全管理条例》强化专项整治，加强对岗位现场的安全管理，及时查处违章指挥，违章操作等现象，最大限度降低各类事故的发生，确保工厂生产工作正常运行，工作计划《生产部
施工进度计划与进度控制措施
施工进度计划与进度控制措施 1.1.工期控制 工程由地下室结构开始到验收备案，总施工工期180日历天，为实现甲方预定的工期目标，我司将做好施工进度计划，并采用动态控制原理，对进度进行动态控制，定期对工期的目标进度和实际进度进行对比，出现负偏差及时调整，并采取多种方法进行补救。基础工程以及主体结构工程工期应尽量压缩，采取先紧后松的施工进度策略，在保证各项分项工程质量的同时，争取时间完成任务。 工程按常规程序施工。工程施工顺序为：先施工桩基础、承台地梁及地下室，然后完成主体工程并在适当时间插入装饰、设备、水电安装等工程。为实现工程按时交付使用，对外墙及内隔墙、给排水及电气等其它装饰工程要穿插进行，从而保证整个工程按期交付使用。 1.1.1.施工进度计划 总工期及施工进度计划见《嘉美花园总进度计划》进度计划，各区段根据总进度计划的节点要求时间，编制流水施工进度计划，并严格执行。
1.2.工期控制措施 1、实行项目管理，实行项目经理负责制。使项目管理成为能协调各方面关系的高度指挥机构，配备素质高、能力强，有管理水平的项目经理部，使用经济和行政手段，确保施工进度。 2、全面计划管理，控制工程进度，建立主要形象进度控制点，运用网络计划跟踪技术和动态管理方法，确保总进度计划实施。对工程的人力、物力、资源等因素进行科学合理控制，保证进度的实施。 3、严管理、细控制，消除质量隐患，减少返工，加快进度。 4、组织协调好土建、安装和装饰的交叉作业和分段流水施工。 5、优化生产要素配置，择优选择技术素质高的专业队伍，提高工作效率和劳动生产力。 6、针对工程特点，采用对项目进行分区分段组织流水施工的方法，减少技术间歇，对主要项目集中力量、突出重点，加快施工进度。 7、使用先进的机具，同时加强施工机具的管理，保证机具的运转良好，充分发挥其效能，确保施工正常进行。 8、克服季节性对施工的影响，做到均衡施工，加强与气象台联系，提高预见性，提前做好准备工作，确保综合进度的实现。钢筋、模板安装、混凝土浇灌均采用两班作业，节假日不休息，努力加快施工进度。 9、工期控制管理采用动态控制原理，按目标总工期制定各阶段的施工进度计划，定期进行实测进度值与目标值的对比，确保工程进度满足计划的要求。
设备管理系统
数学与计算机学院 课程设计说明书 课程名称: 软件工程与数据库课程设计 课程代码: 6014419 题目: 设备管理系统 年级/专业/班: 学生姓名: 学号: 开始时间:2012年6月10日 完成时间:2012年 6月20日 课程设计成绩： 学习态度及平时成绩（30）技术水平与实 际能力（20） 创新（5） 说明书（计算书、图纸、 分析报告）撰写质量（45） 总分 （100）指导教师签名：年月日
软件工程与数据库课程设计任务书 学院名称：数学与计算机学院课程代码：_6014419_ 专业：年级： 一、设计题目 设备管理系统 二、主要内容 主要数据表:设备明细帐表，设备使用单位代码表，国家标准设备分类表等。 功能模块 1.实现设备的录入、删除、修改等基本操作。 2.实现国家标准设备代码的维护。 3.能够对设备进行方便的检索。 4.实现设备折旧计算。 5.能够输出设备分类明细表。 6.具有数据备份和数据恢复功能。 三、具体要求 1、完成系统的需求分析 通过需求分析确定系统需要处理的数据的需求，要求使用数据库的辅助设计工具（PowerDesigner等），建立业务处理模型。 2、完成系统概念结构设计概念数据模型（CDM）用于完成数据库的设计，与人和数据库平台和具体数据存储结构和工具无关。首先选择局部应用画出分E-R图，最终形成系统的E-R图 3、完成系统逻辑结构设计 按照E-R图转换成关系模式的规则，将CDM转换成逻辑数据模型，并为每个 关系模式设计主键、外键。分析关系模式中的依赖关系，对关系模式规范化处理
4、完成系统物理结构设计 为每个关系分配存储长度，建立数据库的索引和视图，定义关系中的主码和外码，写出关系创建和查询的SQL语句。 5、编码 选择你自己熟悉的开发工具完成一个DBS系统的编码工作。 源代码格式规范，注释不少于三分之一 四、主要技术路线提示 1.仔细阅读设计指导书内容，认真掌握任务要求→ 2. 需求分析→ 3.概念结构设计→ 4.逻辑结构设计→ 5.物理结构设计→ 6.编码. 2.后台推荐采用SQL server或Oracle；前台开发环境不限制。可采用ADO，ODBC，OLEDB或JDBC连接数据库，并调用系统存储过程、自定义存储过程、函数等。 五、进度安排 第1周：数据库系统概念模型、数据模型设计，创建数据库以及相关对象； 第2周：前台程序开发，撰写报告，接受检查。 六、完成后应上交的材料 1．源程序一份（包含数据库） 2．课程设计报告一份 七、推荐参考资料 1．王珊.数据库系统概论(第四版). 高等教育出版社 2．闪四清.数据库系统原理与应用教程.清华大学出版社 3．周龙骧.数据库管理系统实现技术.中国地质大学出版社 4．张海藩.软件工程概论.清华大学出版社 5．陈明编著.实用软件工程基础.清华大学出版社 6．成先海.数据库基础与应用-SQL SERVER2000. 机械工业出版社出版 指导教师签名日期年月日 系主任审核日期年月日
设备管理信息系统
设备管理信息系统 第一章：系统简介 此套系统是一套基于成本分析的计算机资产与设备全面质量维修管理软件，该系统为任何规模的作业提供经济快捷的维修管理； 此套系统结合了国外先进的计算机设备维修与资产管理思路，采用三层系统开发模式以及开放式系统体系结构，易于用户进行二次开发与修改；此套系统全面支持Internet、Intranet，为用户提供先进、功能强大、实用、易用、美观的MIS管理系统！它既能独立存在于MIS管理体系中，又能同ERP 中的供应链（SCM），客户关系管理（CRM），生产制造管理，工程技术管理，计算机辅助设计，产品数据管理（PDM），品质管理，人力资源系统管理，财务管理等子系统全面集成。 设备管理系统支持WEB查询：设备管理部门可以很方便地通过BOM查询设备的零配件资料，在库存管理系统的支持下，根据维护计划，按照一定的采购方案采购所需要的零部件，满足维护与维修的需要；对设备检测仪表资料、设备设计图资料、设备参考文件进行卓有成效的管理，可以方便维修人员的在线查询。
自我服务也体现在设备管理中。虽然生产设备是从国外引进的，但初来乍到者可以根据设备的技术文档（设备检测仪表资料、设备设计图资料，设备参考文件，设备维修中的典型案例等）在线查询，快速找出问题的症结，无须反复地从外面聘请专家解决问题，从而节省维修时间，节约成本；除此之外通过相关资料的学习，还可以针对自己产品的特点来改造设备，提高设备的生产效率，增加企业效益；操作工人的自我培训可以减少误操作带来的紧急维修申请工作单，减少人为的生产计划延误和生产成本增加。 由于某种原因，例如由于操作工人误操作，产生一项紧急维修申请工作单，在这个系统中可以直接快速地给予反应，相关维修资源与审批程序能及时到位，责任事故能准确分析，事故报告准确属实，同时可以提醒以后的操作工人免于再次的误操作，从而防止意外的停工事件；维修人员借助设备维护系统，可以按每项维修申请单的紧急程度安排计划，从被动性维修进入预防性维护。 设备管理部门还需要管理预防/状态性维修工作，准确的数据存储和计算，易损配件的更换或维修恰好在需要之前，确定设备最佳维护点和报废点，制定设备维修计划；整理设备维修记录,对设备维修成本进行统计,在需要的时候将统计信息提交人事,财务或工程技术等相关负责部门;对停机/故障性维护管理,维护工作排程,维修工作报告管理,项目性维修，维修计划,维修资料记录,维修资料统计信息,维修
月度工作计划考核表
月度工作计划考核表 篇一：月度工作绩效考核表工作总结表 月度工作绩效考核表 说明：1、考核合格分为 100分，即为全额工资； 2、考核最高分为100分，每上升或下降1分，对应的绩效工资上升、下降1%； 3、加、扣分需在备注栏写明具体事由。 考核人： 附页： 篇二：员工月度绩效考核表 零售连锁有限公司员工月度考核表 二0一0年十二月二十八日修订 三、公司总经理月度考核表 四、公司质量副总月度考核表 五、人力资源中心负责人月度考核表 六、人资企划主管月度考核表 篇三：月、周、日工作计划管理及考评办法
月、周、日工作计划的管理与考评办法 (试行) 根据公司的管理需求，公司各部门及各级员工（不含一线员工）应对每月、周、日的工作计划及其完成情况进行自报、自查，以进一步提高工作效率，确保公司整体工作计划的完成，考量部门和员工个人的工作绩效。具体要求如下： 一、工作计划的编制与内容 （一）、编制 1、个人的工作计划。由个人编制，直接上级进行审定。 （1）一般员工由所在部门的负责人审定； （2）各部门负责人由公司分管指定有权人（总监或副总审定），并报总经理备案。总经理可视情况批示（未接到批示意见前按原审定意见办）；总经办负责汇总和公示； （3）分管副总或总监由总经理审定，报董事长备案。董事长有不同意见可批示给总经理。 2、各部门工作计划。由本部负责人组织编制，公司分管副总或总监审核或审定，总经理批准，总经办负责汇总； 3、特殊情况的处理。因责任人不能及时履行本人职责时，由其直接上级安排人员代理。
（二）、内容 1、考虑到工作计划的客观弹性，操作方式为： 本周的工作计划原则上是必须完成的内容，上周及以前未完成的计划必须在本周计划中体现。 2、部门月、周的每项计划要求明确经办人，以减少计划的重复罗列和便于 兑现奖惩。 3、每项计划要求有可行的措施和目标进度。 4、要求明确工作成果（交付件）的形式。如文案、报表、活动、信息等。详见附表一、二 二、工作计划完成情况的考核 (来自: 小龙文档网:月度工作计划考核表)（一）考核内容。精简为三项：完成程度与时效，数量和质量，主动性与创造性。 （二）程序。先自查自评，再由相关人员考核和核准。 1、个人工作计划的考核 (1) 一般员工由部门负责人实施考核，公司分管副总或总监核准；
项目管理计划与跟踪过程
摘要 这是我们的项目计划与跟踪的内容，在项目实施中使用得很好，我拿出来与大家分享，希望大家多提意见，谢谢！最初的项目计划不够精确和准确，不能直接拿来指导我们的日常工作，也不易跟踪。我们采用三层计划机制将计划中的任务拆分成可跟踪的小的任务来执行。另外，采用不同周期不同规模的review活动来跟踪计划的执行，并不断地调整我们的计划。在跟踪的过程中，由项目经理来负责将每个任务的实际工作量记录下来，以便最后的统计。 总过程图 注： 1．根据项目进度定期地（或事件驱动地）进行peer review和progress review. 2．偏差包括实际情况与原计划不相符的任何地方，例如时间安排，人力资源，设备，任务安排，等各方面。
3. Review不仅是查找已执行工作与原计划的偏差。有时候，根据现阶段工作的情况很容易判断后续工作原定计划的不合理性，这部分计划也需要及时修订。 第一部分不同层次的计划 项目计划的目的是为实施软件工程和管理软件项目制定合理的计划。三层计划机制是艾思普公司项目计划的主要内容。 高层计划：设计师和项目经理根据用户需求制定高层计划，给出项目进行的主要阶段和各种需求。此计划需要经过审核通过后方可执行。为了便于理解，高层计划也可以称为月计划。 中层计划：项目经理，设计师，以及所有的参与人员共同制定中层计划。中层计划是高层计划的任务分解。中层计划也可称为周计划。 低层计划：根据中层计划中的任务安排，每个人制定自己的低层计划。低层计划也称为天计划。 1 高层计划 在各种估算的基础上，根据用户需求给出项目进行的主要阶段和进度计划，就是高层计划。 进入标准：用户提出的各方面需求（如成本需求和交付时间要求，等）和软件项目的开发策略。 人员：设计师，项目经理 内容： 1）阶段：项目总体分为哪几个阶段来进行？标准软件过程是：发现、定义、概念、设计、和实现。根据具体的项目情况，可以将其裁剪和细化。 2）时间：各个阶段要求在多长时间内完成？或严格要求什么时候完成？ 3）资源：按阶段阐明需要的资源，包括人力资源和关键的设备资源。人力资源说明角色和数量。设备只需提出特殊的或关键的设备资源，如需要一个特殊配置的服务器，在系
设备管理系统设计方案26309
冠唐设备管理系统 设计方案 成都冠唐科技有限公司 2009年8月 目录 一，工程背景2 1.1 传统设备管理模式存在的问题 (2) 1.3实施设备管理系统的目标 (3) 1.4需求要点 (4)
二，系统设计原则7 三，总体设计9 3.1技术基础 (9) 3.1系统安全 (10) 3.2 管理权限划分 (10) 四，功能模块设计 (11) 4.1设备信息 (11) 4.2设备台帐 (12) 4.3维修保养计划 (13) 4.4维修保养记录 (14) 4.5维修经验库 (14) 4.6设备申购 (15) 4.7设备调拨 (15) 4.8设备报废 (15) 4.9备品配件信息管理 (15) 4.10文档管理 (16) 4.11设备工作日报表 (16) 4.12每日工作提示 (17) 4.13维修统计和趋势分析 (18) 3.14信息导入接口 (19) 五，系统部署 (20) 5.1、网络要求 (20) 5.2、硬件要求建议 (20) 5.3、软件环境要求 (21) 一，工程背景 1.1 传统设备管理模式存在的问题 （1）设备管理信息零散，缺乏长期，完整的信息管理； 传统的管理模式信息记录在纸质介质和分散在不同的Excel，Word 文档中，各个分公司的信息提交后，对信息进行整理和分析工作量大，信息的准确性，一致性无法保证；
（2）缺少科学手段对制度执行情况进行有效的监管、评估； 设备管理工作的改进由于缺少历史数据的支持，更多的依靠个人经验判断，无法进行科学的评估和建议； （3）设备维修保养计划管理难度较大 每个分公司均管理着大量的设备，每个设备的不同部件均有定期的检修和保养工作，由于信息量较大，计划的整理和安排消耗了相关人员大量时间，并且可能存在计划执行延误。同时，如何达到最优的设备使用效率，合理安排维修保养人员的工作量也是传统管理模式中经常不能处理的问题。 （4）信息缺乏综合分析，利用率低 设备的历史变更记录，历史维修记录，历史文档等各种动态信息缺乏有效的管理手段，在日常管理中，尽管对这些信息进行了登记，但是由于缺乏管理平台，这类动态信息的后期利用率低，未能充分发挥信息对设备管理工作改进的指导作用。 1.3实施设备管理系统的目标 结合企业设备管理制度，《冠唐设备管理系统》通过信息化的方式提高信息的一致性和准确性，通过帮助各个管理者在设备管理的各环节中协同处理，信息共享，使企业达到以下目的： 1．促进企业信息化管理改革。设备管理系统实施将为企业进行信息化管理改革、提升企业竞争力提供强有力的技术保障，同时直接带来了巨大的经济效益和管理效率的提升。
关于月工作计划表格模板
关于月工作计划表格模板 另外，工作计划应该是可以调整的。当工作计划的执行偏离或违背了我们的目的时， 需要对其做出调整，不能为了计划而计划。还有，在工作计划的执行过程中，部门主管 要经常跟踪检查执行情况和进度。发现问题时，就地解决并继续前进。因为中层干部既是 管理人员，同时还是一个执行人员。不应该仅仅只是做所谓的方向和原则的管理而不深入 问题和现场。 为了做到财务工作长计划，短安排，使财务工作在规范化、制度化的良好环境中更好 地发挥作用，特拟订2020年财务工作计划。 一、组织财务人员参加上级组织的各种培训。 组织财务人员参加财务人员培训，提高认识，不断加强自身的业务水平。了解新准则 体系框架，掌握和领会新准则内容，要点、和精髓。全面按新准则的规范要求，熟练地运 用新准则等，进行帐务处理和财务相关报表、表格的编制。 这一个学期我们部门主要参与的活动有：策划展示会，两度炼金计划，开幕式(组织 信息)，考研就业交流会(组织)，谁是模仿王(文艺)，协助志愿者实践部联合国义卖活动，文化节后调研(前期)，整体来说北校的活动挺多，活动中大毛病没有，小毛病层出不不穷，部门成员群策群力去完成工作，个人和组织都在这些活动得以提高和发展，同时对日后组 织相似的活动举办方面提供宝贵的经验，更促进对组织的发展走向的深度思考。(09-10年大学部门工作总结和计划开头) 现在我已经在公司担任业务员有四年的时间了。可以说我是公司数的着的老业务员之一，也是对公司的发展有一定贡献了。现在xxx年行将结束，我想在岁末的时候就我一年 的工作做一下总结，也对自己xxx年的工作提前写下工作计划，让自己在假期中能够安稳 的度过，也让自己能够及时的认识到当前的形势，希望不会让自己失望! 二、进一步做好预算工作,探索基层学校预算管理规律 按照上级财政部门的要求，总结大口径预算工作的规律，提高预算工作的预见性、民 主性和科学性，做好学校部门预算的编制和落实工作。编制好年度预算，并力求切合实际。 三、加强规范资金管理。 1、根据新的制度与准则结合实际情况，进行业务核算，做好财务工作。 2、做好本职工作的同时，处理好同其他部门的协调关系. 3、做好正常出纳核算工作。按照财务制度，办理现金的收付和银行结算业务，努力 开源结流，使有限的经费发挥真正的作用，为学校提供财力上的保证。加强各种费用开支 的核算。及时进行记帐。