接觸式讀票機（Contact-based）

原理：通過物理接觸（如金屬觸點）檢測選票上的導電標記（如特殊墨水填涂），形成電路導通來識別選擇。

特點：

識別速度快，但對選票材質和標記墨水要求高。

易受污漬、折疊影響，應用場景較窄。

圖像預處理：優化原始掃描數據

灰度化處理：將彩色圖像轉換為灰度圖，突出標記與背景的亮度差異（如鉛筆填涂區域灰度值較低）。

二值化轉換：通過設定閾值（如灰度值低于 128 視為標記），將圖像轉化為黑白二值圖，簡化后續計算（例：填涂框內黑色像素占比≥30% 視為有效標記）。

噪聲過濾：利用中值濾波、高斯濾波等算法，消除紙張污漬、折疊陰影等干擾（如去除面積小于 10 像素的孤立黑點）。

幾何校正：通過檢測選票邊緣的定位標記（如 registration marks），校正因傳送歪斜導致的圖像旋轉或縮放，確保標記位置與預設模板對齊。

本產品適用于黨的組織部門、政府人事部門、較大型機關企事業單位、大專院校，開展對在職干部的推薦選拔、量化測評、對單位或部門的工作評議用。另外,本產品還可作為省級組織部門年度評議表和考核表的專用干部考評機用。

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）。