使用计算机视觉和人工智能进行的自助产品退还

摘要

用于退还商品的系统和方法。所述方法包括：由计算设备使用以下各项中的至少一项来执行商品退还操作：关于购买所述商品的人的机器学习信息、关于退还所述商品的人的机器学习信息以及关于所述商品在销售时和退还时的状况的机器学习信息；以及使用输送机系统对所述商品进行自动分类，以将所述商品从柜台移动到指配给不同产品类型的多个储存区域中的相应储存区域。

说明书

相关申请的交叉引用

本申请要求于2018年8月21日提交的标题为“使用计算机视觉和人工智能进行的自助产品退还[SELF-SERVICE PRODUCT RETURN USING COMPUTER VISION AND ARTIFICIALINTELLIGENCE]”的美国非临时专利申请序列号16/107,175的优先权，所述美国非临时专利申请的全部内容并入本文。

发明背景

技术领域

本披露内容总体上涉及计算系统。更具体地，本披露内容涉及实施用于使用计算机视觉和人工智能(“AI”)进行自助产品退还的系统和方法。

背景技术

如今，当您想将商品退还到零售商店时，您需要找到收据、将商品带到商店、排长队、并且然后解释您为什么要退还产品。这是缓慢而低效的过程。商店在使员工协助退还过程方面要花很多钱。此外，所述过程没有太多的安全性，并且窃贼会退还已损坏或未付款的产品。一些公司已经实施了如快速响应(“QR”)码等想法来帮助加快所述过程。然而，该过程仍然很昂贵，因为仍然需要员工来协助退还过程。

发明内容

本披露内容涉及实施用于退还商品的系统和方法。所述方法包括：由计算设备使用以下各项中的至少一项来执行商品退还操作：关于购买所述商品的人的机器学习信息、关于退还所述商品的人的机器学习信息以及关于所述商品在销售时和/或退还时的状况的机器学习信息；以及使用输送机系统对所述商品进行自动分类，以将所述商品从柜台移动到指配给不同产品类型的多个储存区域中的相应储存区域。

在一些场景中，所述方法还包括：学习与对应的非伪造商品的特征和特性不一致的伪造商品的特征和特性；基于所学习的伪造商品的特征和特性确定所述商品是否为伪造商品；如果确定所述商品不是伪造商品，则允许退还所述商品；以及如果确定所述商品是伪造商品，则拒绝退还所述商品。

在这些或其他场景中，所述方法进一步包括通过以下方式验证所述商品的退还是否被授权：(A)确定从用户获得的信用卡号、令牌或代码是否与用于购买所述商品的信用卡号、令牌或代码相匹配，或者(B)确定由位于退还站的相机捕获的图像中示出的人是否与在所述商品的购买交易期间捕获的图像中示出的人相匹配。还可以执行成像操作和扫描操作以确定与商品有关的信息，所述与商品有关的信息包括以下各项中的至少一项：所述商品的品牌、所述商品的产品类型、所述商品的尺寸、所述商品的颜色、在所述商品上做出的认证标记、所述商品的重量以及与所述商品相关联的代码。可以基于所述与商品有关的信息确认所述正在被退还的商品是否为先前购买的商品。还可以或可替代地基于所述与商品有关的信息确认所述商品是否与先前的退还尝试不相关。

在这些或其他场景中，基于在所述商品正在被退还时捕获的图像的内容来确定所述商品的状况。然后，使用所述商品的状况来确定所述商品是否可以被再售和/或所述商品与购买时是相同还是不同。

附图说明

将参考以下附图来描述本解决方案，其中，在所有附图中相似的附图标记表示相似的项目。

图1是说明性系统的图示。

图2是说明性计算设备的图示。

图3A至图3D(统称为“图3”)提供了用于退还已购买商品的说明方法的流程图。

具体实施方式

将容易理解，如本文概括性描述的且在附图中展示的本实施例的部件可以以各种各样的不同配置被布置和设计。因此，如附图中所示，以下各种实施例的更详细说明并非旨在限制本披露内容的范围，而是仅代表各种实施例。尽管在附图中呈现了实施例的各个方面，但是除非特别指出，否则附图不一定按比例绘制。

在不脱离本解决方案的精神或基本特性的情况下，本解决方案可以以其他特定形式来实施。所描述的实施例将在所有方面被认为仅是说明性的而不是限制性的。因此本解决方案的范围由所附权利要求而非本详细说明书指示。在权利要求的等效含义和范围内的所有变化均应包含在其范围内。

贯穿本说明书，对特征、优点或类似语言的引用并不暗示所有这些可以利用本解决方案实现的特征和优点应该是或是本解决方案的任何单个实施例。而是，引用特征和优点的语言应被理解成意味着与实施例结合描述的特定特征、优点或特性包括在本解决方案的至少一个实施例中。因此，贯穿本说明书对这些特征和优点的讨论以及类似的语言可以但不一定指代同一实施例。

此外，本解决方案的所描述特征、优点和特性可以以任何合适的方式组合在一个或多个实施例中。鉴于本文的描述，相关技术领域内的技术人员将认识到，可以在没有特定实施例的一个或多个具体特征或优点的情况下实践本解决方案。在其他实例中，可以在可能没有在本解决方案的所有实施例中呈现的某些实施例中认识到附加特征和优点。

贯穿本说明书对“一个实施例(one embodiment)”、“实施例(an embodiment)”或类似语言的引用意味着在本解决方案的至少一个实施例中包括了与结合所指示实施例描述的一个具体的特征、结构或特性。因此，贯穿本说明书的短语“在一个实施例中”、“在实施例中”和类似语言可以但不一定全部都指代同一实施例。

如本文档中所使用的，除非上下文另外明确指明，否则单数形式的“一个”、“一种”和“所述”包括复数指示物。除非另有定义，否则本文所使用的所有科技术语均具有与本领域的普通技术人员通常所理解的相同含义。如本文档中所使用的，术语“包括”是指“包括但不限于”。

在零售商店中，需要一种无需商店员工协助即可退还已购买商品的方式。因此，本解决方案提供了一种用于将商品退还到零售商店或其他商业实体(例如，图书馆)的自动方式。使用多个系统来加快退还过程并验证被退还产品的真实性和质量。这些系统包括相机。多年来，相机的质量和价格都有所改进。另外，AI和机器学习使得相机能够：识别人、收据和/或信用卡；确定正在被退还的产品的状态或状况；和/或确定正在被退还的产品的真实性。此外，存储与过去购买相关联的数据以及与已出售产品有关的数据的成本使公司存储可以用于验证退还产品有效性的数据。

现在将关于已购买商品的退还来描述本解决方案。本解决方案在这方面不受限制。本解决方案也可以用于借出或借入的商品应用中。

现在参考图1，提供了说明性系统100的图示。系统100通常被配置成促进商品的购买和/或已购买商品136的退还。这些商品包括易腐烂的商品(例如，食物)和/或不易腐烂的商品(例如，服装、电器、汽车零件、美容用品、个人护理商品、书籍、消费电子产品、娱乐门票、时尚配饰、鞋类、办公用品、运动器材、玩具、视频游戏、手表、眼镜和/或珠宝)。

如图1所示，系统100包括一个或多个可选的销售点(“POS”)站。POS站在本领域中是公知的，并且因此在本文将不再描述。任何已知或将已知的POS站可以在本文没有限制地被使用。POS站包括固定的POS站(例如，传统的结账柜台)、自助结账服务机或移动POS(例如，智能电话)。(多个)POS站通常被配置成促进购买交易的发起和完成。在一些场景中，对常规POS站进行修改以实施机器学习技术。例如，将硬件和/或软件随POS站一起提供，所述硬件和/或软件被配置成学习购买者的特征/特性、学习购买者的移动模式和/或学习已购买商品的特征/特性/状况。将所学习的信息存储在数据存储装置124中，以供稍后在商品退还过程中使用。数据存储装置124可以包括但不限于数据库。

系统100还包括经由网络112(例如，互联网)彼此通信地耦合的退还站102、相机106、128以及计算设备110、122。相机在本领域中是公知的，并且因此在本文将不再描述。任何已知的或将要成为已知的相机可以在本文没有限制地被使用。例如，在一些场景中，采用了3D相机。相机通常被配置成捕获其视场(“FOV”)中的场景的图像和/或视频。如本文中所使用的，术语“视场”或“FOV”是指在任何给定时刻由相机捕获的可观察世界的范围。每个FOV的值小于或等于一百八十度(180°)。

相机128被放置在相对于退还站102的位置处，所述位置适合于捕获试图退还商品136的人132的图像和/或视频。相机128被提供用于协助验证购买所述商品的同一人是否为正在退还所述商品的同一人。在这方面，相机128采用算法来识别其FOV中的人并提取所识别的人的特征。将所提取的特征与在由POS站180执行的相应购买交易的时间捕获的图像中示出的特征进行比较。如果存在匹配，则验证此人为购买所述商品的同一人。如果不存在匹配，则可以设置标志和/或可以通知商店人员。另外地或可替代地，可以将在退还时捕获的不同人的图像存储在数据存储装置124中，以便与用户账户、相应的购买交易和/或商品退还尝试相关联。

相机106被定位在退还站102的上方，使得柜台130的至少一部分在所述相机的FOV108中。相机106被提供用于协助识别正在被退还的商品和/或确定正在被退还的商品的状况。在这方面，相机106采用算法来确定在柜台130上(以及在一些场景中，在可选的称重秤114上)的是什么(哪些)商品。例如，相机106能够识别由此捕获的图像中的物体、确定物体的特性(例如，颜色、尺寸、形状等)、以及确定物体的状况(例如，损坏或可再售)。然后将这些特性与物体相关数据的数据库进行比较，以确定它们之间是否存在匹配或相似性。如果存在匹配或相似性，则将与匹配的或相似的已存储物体相关数据相关联的物体唯一标识符分配给图像。还将所述状况与在商品的购买时捕获的图像中示出的商品的状况进行比较。如果不存在匹配，则可以设置标志，所述标志指示该商品不可再售或者不是如退还所述商品的人表明的在损坏状态下出售的。两种情况下都可以通知商店人员。

计算设备110包括移动计算设备，诸如平板计算机、个人计算机或智能电话。人132使用计算设备110来发起商品退还过程，在商品退还过程期间将信息输入到系统100中，并完成商品退还过程。因此，计算设备110经由网络112与企业系统122、124进行无线通信，以访问由POS站180生成的购买交易信息，并向商店人员134通知商品退还过程的状态。企业系统包括计算设备122(例如，服务器)和数据存储装置124。购买交易信息包括但不限于已购买商品的标识符、成功购买的日期/时间、支付信息、进行购买的人的生物特征数据、进行购买的人的声音、进行购买的人的图像和/或购买交易的视频。随着讨论的进行，商品退还过程的细节将变得更加明显。

退还站102包括柜台130，所述柜台具有设置在其中的扫描仪126、称重秤114和输送机系统104，以便在商品退还过程期间可使用。扫描仪可以包括但不限于条形码扫描仪、RFID标签扫描仪或其他支持短距离通信(“SRC”)的设备(例如，支持蓝牙的设备)。扫描仪被提供用于从正在被退还的商品136获取至少一个代码。所述代码可以包括但不限于最小存货单位(“SKU”)和/或唯一产品代码(“UPC”)。SKU和UPC在本领域中是公知的，并且因此在本文将不再描述。称重秤114被配置成测量放置在其上的商品136的重量。条形码扫描仪、RFID标签扫描仪以及称重秤在本领域中是公知的，并且因此在本文将不再描述。任何已知的或将要成为已知的条形码扫描仪、RFID标签扫描仪和/或称重秤可以在本文没有限制地被使用。将由部件114、126生成或获得的信息提供给退还站102内部的计算设备118。计算设备118也经由网络(虽然未在图1中示出)通信地耦合到计算设备110和企业系统122、124。因此，可以将由部件114、126生成或获得的信息从计算设备118提供到计算设备110、122以进行处理。

计算设备118还被配置成控制扫描仪126、称重秤114和/或输送机系统104的操作。输送机系统在本领域中是公知的，并且因此在本文将不再详细描述。另外，应当理解，输送机系统104包括用于将商品从退还柜台118移动到(多个)储存箱116的机械装卸设备。在计算设备118的协助下，基于商品的产品类型将这些商品引导到储存箱116中的相应储存箱。例如，书被引导到第一储存箱，而洗发水被引导到第二不同的储存箱。(多个)储存箱116提供有用于在商店员工134准备将被退还商品放回到商店楼层以进行再售之前储存这些商品的装置。这种按照类型自动组织被退还商品的能力极大地改进了将被退还商品放回商店楼层的后续过程。在这方面，应当理解，在常规系统中，通常将被退还商品放置在退还站的单个箱中。这样，在将被退还商品放回到商店楼层之前，商店人员必须根据商店楼层布局(例如，将所有盥洗商品分类为第一堆，而将家居用品分类为第二堆)和/或商品的状况(例如，将损坏的商品分类为第三堆)对商品进行分类。相比而言，本解决方案不需要这种手动储存。因此，本解决方案提供了用于将被退还商品放回商店楼层的更具成本效益且更高效的过程。

本解决方案出于各种目的采用机器学习技术。机器学习技术可以由(多个)POS站180和/或计算设备110、118、122来实施。例如，使用机器学习算法来学习伪造商品的特征和特性。在此可以使用在结账POS站180处由相机捕获的真实商品或原始商品的图像以及在退还站102处由相机106捕获的假冒商品或伪造商品的图像来检测和学习这些图像的与对应的原始或真实的非伪造商品的特征和/或特性不一致的特征和/或特性。这些特征和/或特性可以包括但不限于缝合、标签放置、标签取向、着色、纹理、材料以及品牌名称的拼写错误。传统上，检测假冒商品或伪造商品非常困难，并且需要专家的协助。本解决方案的机器学习方面提供了改进的商品退还过程，因为(A)消除了对专家的需要，同时仍确保不会接受伪造商品的退还(就像在一些场景中，商店人员手动处理商品退还的情况一样)，以及(B)不断学习伪造商品的新特征，以确保在系统100中针对所学习的伪造商品的特征/特性进行实时更新。机器学习算法在本领域中是公知的，并且因此在本文将不再描述。任何已知的或将要成为已知的机器学习算法可以在本文没有限制地被使用。例如，系统100采用(多个)监督机器学习算法、(多个)无监督机器学习算法和/或(多个)半监督机器学习算法。

本解决方案不限于图1所示的架构。在这方面，应当理解，系统100可以包括比图1所示的部件更多或更少的部件。例如，在一些场景中，系统100还包括用于生成纸质收据的打印机。

现在参考图2，提供了计算设备200的说明性架构的图示。图1的计算设备110、118、122与计算设备200相同或相似。这样，对计算设备200的讨论足以理解系统100的该部件。

在一些场景中，本解决方案用于客户端-服务器架构。因此，图2中示出的计算设备架构足以理解客户端计算设备和服务器的细节。

计算设备200可以包括比图2所示的部件更多或更少的部件。然而，所示出的部件足以披露实施本解决方案的说明性解决方案。图2的硬件架构表示被配置成提供如本文所述的改进的商品退还过程的代表性计算设备的一种实施方式。这样，图2的计算设备200实施本文所描述的(多种)方法的至少一部分。

计算设备200的一些或全部部件可以被实施为硬件、软件和/或硬件和软件的组合。硬件包括但不限于一个或多个电子电路。电子电路可以包括但不限于无源部件(例如，电阻器和电容器)和/或有源部件(例如，放大器和/或微处理器)。无源和/或有源部件可以被适配为、被布置为和/或被编程为执行本文所描述的方法、过程或功能中的一个或多个。

如图2所示，计算设备200包括用户界面202、中央处理单元(“CPU”)206、系统总线210、通过系统总线210连接至计算设备300的其他部分且可被计算设备的其他部分访问的存储器212、以及连接至系统总线210的系统接口260和硬件实体214。用户界面可以包括输入设备和输出设备，所述输入设备和输出设备促进用于控制计算设备200的操作的用户-软件交互。输入设备包括但不限于物理键盘和/或触摸键盘250。输入设备可以经由有线或无线连接(例如，

硬件实体214中的至少一些执行涉及存储器212的访问和使用的动作，所述存储器可以是随机存取存储器(RAM)、磁盘驱动器和/或光盘只读存储器(“CD-ROM”)。硬件实体214可以包括磁盘驱动器单元216，所述磁盘驱动器单元包括计算机可读存储介质218，在所述计算机可读存储介质上存储有被配置成实施在本文所描述的方法、过程或功能中的一个或多个的一组或者多组指令220(例如，软件代码)。指令220还可以在被计算设备200执行期间完全或至少部分地驻留在存储器212内和/或CPU206内。存储器212和CPU 206也可以构成机器可读介质。如在此所使用的，术语“机器可读介质”是指存储所述一组或多组指令220的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。如本文所使用的，术语“机器可读介质”还指能够存储、编码或承载用于由计算设备200执行的一组指令220和使计算设备200执行本披露内容的任何一种或多种方法的任何介质。

计算设备200实施机器学习技术。在这方面，计算设备200运行一个或多个软件应用程序222以促进商品的退还。软件算法222使用机器学习算法280来学习与购买交易相关联的人和/或在购买交易期间用于支付的信用卡的特性、学习商品在购买时的状况、学习原始的真实非伪造商品的特性、学习伪造商品的特性或特点、学习在退还时的时间特性和/或学习指示某人正试图退还尚未购买的或伪造的商品的可疑行为。该学习的信息可以用于如本文所述的各种目的。例如，可以捕获并处理退还商品的人的图像，以提取此人的特征。将所提取的特征与所学习的同所述商品的购买交易相关联的人和/或用于购买所述商品的信用卡的特征进行比较。使用在购买交易期间获得的传感器数据(例如，捕获的图像)来获得所学习的特征。可替代地或另外地，可以基于所学习的原始的真实非伪造商品的特性和/或所学习的伪造商品的特性或特点来确定正在被退还的商品的真实性。而且，使用所学习的商品在购买时和退还时的状况来检测退还滥用(例如，免费租赁)。本解决方案不限于此示例的细节。

现在参考图3，提供了用于退还已经使用POS站(例如，图1的POS站180)购买的商品的说明性方法300的流程图。如图3所示，方法300包括多个操作301至384。方法300可以包括比根据给定应用所示的操作更多或更少的操作。而且，本解决方案不限于图3所示的操作的特定顺序。在这方面，应当理解，可以以与所示顺序相同或不同的顺序来执行一些或全部操作。

现在参考图3A，方法300开始于301并且继续到302，在后一步骤中，计算设备(例如，图1的计算设备110)接收用于启动商品退还过程的用户软件交互。该计算设备可以包括但不限于平板计算机、智能电话或其他便携式电子设备。可以提供系绳、链条或其他联接装置来将计算设备牢固地联接到退还站(例如，图1的退还站102)。这种牢固的联接确保计算设备不会被盗、无意放错位置或因掉落而损坏。用户软件交互可以包括但不限于从下拉菜单中选择商品或按下在计算设备的显示器(例如，图2的显示器254)上呈现的虚拟按钮。响应于用户-软件交互，在304中启动商品退还过程。

在306中，将图形用户界面(“GUI”)呈现给计算设备的用户。通过GUI，提示用户指定退还商品(例如，图1的商品136)的原因。原因可以包括但不限于有缺陷、损坏、不合适、错误的商品、对商品的想法改变和/或商品到货太晚。在308中，执行用户软件交互以指定退还商品的原因。用户软件交互可以包括但不限于在文本框中输入文本、从原因列表中选择原因、在GUI上选择框、按下GUI的虚拟按钮或使用任何其他小插件。

接着在310中，向用户(例如，图1的人132)提示关于他(她)是否具有收据的指示。收据可以是硬拷贝(或打印的)收据或电子收据。响应于该提示，用户执行用户-软件交互以指示他(她)具有收据。用户软件交互可以包括但不限于在文本框中输入文本、在GUI上选择框、按下GUI的虚拟按钮或使用任何其他小插件。

如果用户没有收据[312：否]，则方法300继续到图3D的376至378。如图3D所示，376至378涉及：从计算设备输出指令，以指示用户将标识信息(例如，姓名、地址、电话号码、账号等)输入到系统(例如，图1的系统100)中；以及在数据存储装置(例如，图1的数据存储装置124)中搜索与所述标识信息相关联的任何购买交易信息。如果在搜索期间未找到购买交易信息[380：否]，则执行384，在这一步骤中采取一个或多个动作。这些动作包括但不限于：通知用户没有找到购买交易信息，指示用户去找商店人员，终止商品退还过程和/或返回到图3A的302。如果在搜索期间找到购买交易信息[380：是]，则执行382，在这一步骤中方法300行进到以下将描述的314。

返回图3A，如果用户确实具有收据[312：是]，则方法300继续到314至318。314至318涉及：从计算设备输出指令，以指示用户将打印的收据放置在柜台(例如，图1的柜台130)上相机(例如，图1的相机106)的FOV中的位置处，或者将电子设备(例如，图1的智能电话182)的示出电子收据的显示器放置在相机的FOV中；捕获收据的图像；以及分析收据图像，以确定是否使用了信用卡或其他非现金支付购买所述商品。

如果使用了信用卡或其他非现金支付购买所述商品[320：是]，则执行322至324。322至324涉及：从计算设备输出指令，以指示用户将信用卡放置在相机(例如，图1的相机106)的FOV中；以及捕获信用卡的图像。另外地或可替代地，322至324涉及：将电子设备(例如，图1的智能电话182)放置在退还站(例如，图1的退还站102)的SRC设备(例如，图1的扫描仪126)附近；以及从电子设备获得令牌或其他代码。

如果没有使用信用卡[320：否]，则执行可选的326至328，这些步骤涉及：从计算设备输出指令，以指示用户面向相机(例如，图1的照相机128)；以及捕获人脸的图像。

在完成324或328之后，方法300继续到330。在330中，企业系统(例如，系统100)通过以下方式验证商品的退还是否被授权：(A)确定在324中获得的信用卡号、令牌或代码是否与用于购买商品的信用卡号、令牌或代码相匹配，或者(B)确定在328中捕获的图像中示出的人是否与在商品的购买交易期间由POS站(例如，图1的POS站180)捕获的图像中示出的人相匹配。可以经由通过远程服务器(例如，图1的计算设备122)使用存储在数据存储装置(例如，图1的数据存储装置124)中的购买交易数据执行的比较操作来进行这些确定。购买交易数据可以包括但不限于时间、日期、所购买商品的标识符列表、每个所购买商品的价格、信用卡号、令牌、代码以及购买商品的(多个)人的图像。

随后，方法300继续到图3B的332。如图3B所示，332涉及确定商品的退还授权是否已经通过验证。如果没有通过验证[332：否]，则执行334，在这一步骤中采取一个或多个动作。这些动作可以包括但不限于：通知此人所述商品的退还未被授权，基于可疑行为/移动的机器学习模式和/或人的机器学习正常移动模式分析此人的行为以确定该行为是否可疑，和/或返回到306。可以通过以下方式来检测可疑行为：在某人尝试退还商品时捕获他(她)的视频，对所述视频进行分析以检测指定人的移动的运动模式，将所述运动模式与可疑行为/移动的机器学习模式进行比较，和/或所述将运动模式与人的机器学习正常移动模式进行比较。如果在所述运动模式与可疑行为/移动的机器学习模式中的至少一个机器学习模式之间存在匹配，则检测到可疑行为。否则，没有检测到可疑行为。如果在所述运动模式与人的机器学习正常移动模式之间存在匹配，则没有检测到可疑行为。否则，检测到可疑行为。

如果该商品的退还被授权[332：是]，则执行336，在这一步骤中，从计算设备输出指令，以指示用户将商品放置在扫描仪(例如，图1的扫描仪126)附近。在338中，对商品进行扫描以从其获得至少一个代码。所述代码可以包括但不限于条形码、SKU和/或UPC。在340中对所述代码进行处理，以确定商品的品牌和商品的类型。

接着在342中，从计算设备(例如，图1的计算设备110)输出指令，以指示用户将商品(例如，图1的商品136)放置在称重秤(例如，图1的称重秤114)上。然后，在344中，称重秤测量商品的重量。可以将所测得的重量传递到退还站102的内部计算设备(例如，图1的计算设备118)以进行存储和/或处理。可以将所测得的重量本地存储在存储器(例如，图2的存储器212)中和/或远程存储在数据存储装置(例如，图1的数据存储装置124)中。

在346中，当商品搁置在称重秤上时，由相机(例如，图1的照相机106)捕获所述商品的图像。相机可以包括但不限于3D相机，以便除了商品的长度和宽度之外，还可以获得商品的高度。在348中，对捕获的图像进行处理，以判断该图像是否具有对应的伪造商品的机器学习特征。可以通过从所捕获的图像中提取商品的特征、并将所提取的特征与一个或多个伪造商品的机器学习特征进行比较来进行该确定。如果所提取的特征与机器学习特征之间存在匹配，则通知商店人员。如果所提取的特征与机器学习特征之间不存在匹配，则方法300继续到350。

350涉及对图像进行处理以确定商品的尺寸和颜色，以及识别在商品上做出的任何认证标记。接着，在352中执行操作以确认正在被退还的商品是否为先前购买的商品。通过以下方式进行该确认：(A)确定商品的尺寸、颜色、重量和认证标记是否与具有由在338中获得的代码指定的品牌和类型的商品一致，或者(B)确定商品是否与先前的退还尝试不相关。可以基于将在338中获得的代码与在先前的退还尝试中获取的代码进行比较的结果来进行确定(B)。如果存在匹配，则确定商品与先前的退还尝试相关联。否则，确定商品与先前的退还尝试不相关。

如果没有确认正在被退还的商品为先前购买的商品[354：否]，则执行356，在这一步骤中采取一个或多个动作。这些动作可以包括但不限于通知用户商品是不正确的，和/或返回到336。

如果确认正在被退还的商品是先前购买的商品[354：是]，则方法300继续到图3C的358。如图3C所示，358涉及分析商品的图像以确定其状况。然后在360中基于商品的状况来确定商品是否可以被再售。例如，如果商品没有损坏和/或商品的状况与购买时的状况相同，则该商品可以被再售。如果该商品无法被再售[362：否]，则执行364，在这一步骤中采取一个或多个动作。这些动作可以包括但不限于：通知人(例如，图1的人132)所述商品不接受退还，通知商店人员(例如，图1的商店人员134)根据给定的策略所述商品不接受退还，存储退还失败的原因代码，和/或转到将在下面描述的374。

如果商品可以可被再售[362：是]，则执行366到372。366到372涉及：从计算设备(例如，图1的计算设备110)输出指令，以指示用户(例如，图1的人132)将商品(例如，图1的商品136)放置在输送机系统(例如，图1的输送机系统104)上；由输送机系统执行操作以基于在先前的340中确定的商品的类型将商品引导到多个储存区域(例如，图1的储存箱116)中的某个储存区域；输出收据。收据可以是或打印的收据或电子收据。随后，执行374，其中方法300结束或执行其他处理。

本解决方案可以用于各种应用中。在一些场景中，购买商品时会记录购买者的图像和/或相关联的元数据。当他/她将商品退还到商店时，该图像和元数据可以用于对此人进行认证。当收据丢失时，该认证是有用的。

在其他场景中，购买商品时会记录购买者的图像和/或相关联的元数据。此外，执行机器学习操作是为了(A)确定商品在购买时的状态或状况，以及(B)确定商品在退还时的状态或状况。在退还商品时，将(B)的状态/状况与(A)的状态/状况进行比较。这可以防止某些人退还商品并声称其在购买所述商品时所述商品已损坏的情况，或者防止某些人试图退还与其购买的商品不匹配的伪造商品。

本解决方案还可以用于防止欺诈性退还。例如，本解决方案可以防止某人在没有购买零售楼层的商品的情况下拿走所述商品并试图退还所述商品的情况。这可以在不恰当的商店现金卡中为零售商店节省大量资金。

在一些场景中，采用语音识别。系统100将进一步包括音频麦克风、显示器和音频扬声器。这些附加部件可以连接至计算设备110、计算设备118和/或企业系统122、123。AI可以处理图像并在显示器上输出问题或从音频扬声器输出问题。客户可以在相机106、128前面持握他(她)的信用卡，使得可以从中读取信用卡号。然后可以提示客户输入附加认证信息，诸如与信用卡相关联的邮政编码。这将允许系统100以简单、低成本的硬件实施。

尽管本解决方案已经关于一种或多种实施方式被展示并且描述，但在阅读和理解本说明书和附图之后，本领域的普通技术人员将想到等效改变和修改。另外，虽然本解决方案的特征相对于只是几种实施方式中的一种可能已被披露，当针对任何给定的或特定的应用是期望的并且有利时，这样的特征可以与其他实施方式的一个或多个其他特征结合。因此，本解决方案的广度和范围不应受以上描述的实施例中任何一个的限制。而是，本解决方案的范围应根据所附权利要求及其等效物来限定。