光學掃描式讀票機（Optical Scan）

原理：通過光學傳感器掃描選票上的標記（如鉛筆填涂、墨水筆勾選），利用圖像識別技術判斷選民選擇。

特點：

成本較低，兼容紙質選票，適合大規模選舉。

需選票格式標準化（如固定位置的填涂框）。

應用場景：美國大選、印度議會選舉等大規模紙質選票選舉。

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。

讀票機的準確性與可靠性依賴 “技術 + 制度 + 人工” 的三維防護：硬件通過冗余與校準確保物理信號采集穩定，軟件借助算法校驗與防篡改設計提升邏輯判斷精度，制度流程則通過標準化操作與人工監督彌補技術局限性。這種多層級保障體系在全球主要民主國家的選舉中已被驗證 —— 根據美國 EAC（選舉援助委員會）2022 年報告，符合認證標準的光學掃描讀票機平均錯誤率＜0.003%，遠低于人工計票的 1.5% 錯誤率。未來，隨著量子加密技術與聯邦學習在選舉系統中的應用，讀票機的可靠性還將進一步提升，同時保持對選民操作習慣的包容性。

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）。