條形碼 / 二維碼讀票機

原理：選民通過填寫或掃描條形碼 / 二維碼選票，機器讀取編碼后解析投票信息。

特點：

數據精度高，可存儲更多信息（如選區、候選人編號）。

需提前印制帶編碼的選票，適合電子化程度較高的選舉。

機械計數讀票機（Mechanical）

原理：通過機械結構（如齒輪、杠桿）統計選票數量，常見于早期手動投票機。

特點：

無需電力，成本極低，但效率低、易出錯，已逐漸被淘汰。

典型技術挑戰與解決方案

挑戰場景 技術應對措施

不同墨水的反光差異 - 采用多光譜光源（如紅光 + 紅外光），針對不同墨水（鉛筆、藍黑墨水、熒光筆）調整檢測波長。

- 機器學習模型訓練：用歷史數據訓練分類器，區分不同墨水材質的標記。

選票折疊或污漬干擾 - 圖像修復算法：通過插值法填充折疊造成的圖像缺失區域。

- 污漬識別模型：用深度學習區分 “人為標記” 與 “自然污漬”（如咖啡漬形狀通常更不規則）。

非標準填涂（如超框、輕描） - 彈性閾值設定：根據填涂中心位置，允許標記超出框線一定范圍（如框線外 5 像素內仍算有效）。

- 概率化判定：結合填涂位置、面積、濃度等多維度特征，給出 “有效概率”（如 80% 概率為有效標記），而非非黑即白的判斷。

選票格式變更（如新版選票） - 動態模板配置：允許管理員導入新選票模板，自動更新 ROI 區域坐標與標記規則，無需修改底層算法。

軟件算法：從識別精度到防篡改機制

1. 多重校驗算法架構

重復掃描比對：對每張選票進行至少 2 次獨立掃描（間隔 50ms），比對兩次圖像的像素差異，若標記區域灰度值偏差超過 15%，則觸發第三次掃描并人工介入（如日本選舉法要求對爭議票進行三次掃描）。

多特征融合判斷：結合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權投票機制（如面積占比權重 40%+ 邊緣匹配度權重 30%+ 濃度均勻性權重 30%），避免單一特征誤判（例：某區域面積達標但邊緣鋸齒狀，可能被判為 “無意涂抹”）。

機器學習模型迭代：利用歷史選舉的有效 / 無效票數據（如美國 EAC 公開的選票數據集）訓練 CNN 模型，對非標準標記（如超框填涂、輕描標記）的識別準確率提升至 99.2% 以上。

2. 防篡改與數據完整性保護

哈希值校驗：對每張選票的掃描圖像生成哈希值（如 SHA-256），存儲于區塊鏈節點或加密數據庫，任何圖像修改都會導致哈希值變更，可實時檢測數據篡改（如德國部分州采用區塊鏈存證選票圖像）。

軟件版本控制：讀票機操作系統與識別算法采用簽名固件更新機制，僅允許通過官方渠道推送的版本（附帶數字證書）安裝，防止惡意程序植入（如 2018 年美國佛羅里達州選舉前，對所有讀票機進行固件哈希值比對，攔截 3 臺異常設備）。