FacileChoix unique

Question d'entraînement AI-900

Un entrepôt utilise des caméras vidéo pour surveiller un tapis roulant. Ils doivent compter le nombre de cartons qui passent chaque heure pour suivre le débit. Quelle capacité d'Azure Computer Vision doivent-ils utiliser?

Choisissez la meilleure réponse.

Bonne réponse

  • DObject Detection

Explication

Object Detection est la bonne capacité car elle peut identifier et localiser plusieurs cartons dans chaque image vidéo, ce qui permet au système de les compter au fur et à mesure qu'ils se déplacent sur le tapis roulant. Contrairement à la classification d'images, qui étiquette une image entière, la détection d'objets fournit des boîtes englobantes et des comptes pour chaque objet détecté, ce qui la rend idéale pour le suivi du débit en temps réel.

Pourquoi chaque option est juste ou fausse

A

Fausse

Optical Character Recognition (OCR)

L'OCR extrait des caractères de texte des images, il ne peut donc pas détecter ni dénombrer des cartons physiques sur un tapis. C'est le bon choix pour lire des étiquettes, des numéros de série ou des documents imprimés, ce qui n'a aucun rapport avec le comptage d'objets en mouvement dans un flux vidéo.

B

Fausse

Face Detection

Face detection localise les visages humains et renvoie des boîtes englobantes pour ceux-ci, il ne peut donc pas identifier ou compter des cartons sur un convoyeur. C'est la bonne capacité pour des scénarios tels que le floutage de visages pour la confidentialité ou le déclenchement de workflows de présence, et non pour la surveillance du débit d'objets.

C

Fausse

Image Classification

Image classification attribue une seule étiquette à une image entière, il ne peut donc pas localiser ou dénombrer des cartons individuels à travers les images. Il convient à des scénarios tels que le signalement de la présence d'un défaut dans une image, et non au comptage de plusieurs objets discrets se déplaçant continuellement dans un flux vidéo.

D

Juste

Object Detection

Object detection renvoie des boîtes englobantes et des étiquettes de classe par carton, de sorte que chaque carton sur le convoyeur peut être localisé et compté individuellement. La classification d'images ou le simple étiquetage ne peuvent pas énumérer plusieurs instances, ce qui échoue pour le décompte horaire du débit.

Pour aller plus loin

Les modèles d'Object Detection génèrent à la fois une boîte englobante et une étiquette de classe par instance détectée, de sorte qu'une seule image peut produire plusieurs prédictions de 'carton' avec des scores de confiance. Le comptage du débit devient alors un problème de suivi : vous attribuez à chaque détection une identité à travers les images et incrémentez un compteur lorsqu'elle franchit une ligne virtuelle. La détection d'objets d'Azure AI Vision est entraînée sur des images étiquetées personnalisées via Custom Vision, et renvoie des coordonnées normalisées (gauche, haut, largeur, hauteur) ainsi que la probabilité. Une limite subtile est que les cartons se déplaçant rapidement ou se chevauchant provoquent des détections manquées ou des changements d'identité, de sorte que les équipes échantillonnent souvent les images et appliquent des seuils de suppression non maximale. Cela importe sur un tapis roulant où les cartons se touchent et où le décompte horaire doit concorder avec les manifestes d'expédition.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.