條形碼 / 二維碼讀票機(jī)

原理：選民通過(guò)填寫(xiě)或掃描條形碼 / 二維碼選票，機(jī)器讀取編碼后解析投票信息。

特點(diǎn)：

數(shù)據(jù)精度高，可存儲(chǔ)更多信息（如選區(qū)、候選人編號(hào)）。

需提前印制帶編碼的選票，適合電子化程度較高的選舉。

機(jī)械計(jì)數(shù)讀票機(jī)（Mechanical）

原理：通過(guò)機(jī)械結(jié)構(gòu)（如齒輪、杠桿）統(tǒng)計(jì)選票數(shù)量，常見(jiàn)于早期手動(dòng)投票機(jī)。

特點(diǎn)：

無(wú)需電力，成本極低，但效率低、易出錯(cuò)，已逐漸被淘汰。

典型技術(shù)挑戰(zhàn)與解決方案

挑戰(zhàn)場(chǎng)景 技術(shù)應(yīng)對(duì)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(duì)不同墨水（鉛筆、藍(lán)黑墨水、熒光筆）調(diào)整檢測(cè)波長(zhǎng)。

- 機(jī)器學(xué)習(xí)模型訓(xùn)練：用歷史數(shù)據(jù)訓(xùn)練分類(lèi)器，區(qū)分不同墨水材質(zhì)的標(biāo)記。

選票折疊或污漬干擾 - 圖像修復(fù)算法：通過(guò)插值法填充折疊造成的圖像缺失區(qū)域。

- 污漬識(shí)別模型：用深度學(xué)習(xí)區(qū)分 “人為標(biāo)記” 與 “自然污漬”（如咖啡漬形狀通常更不規(guī)則）。

非標(biāo)準(zhǔn)填涂（如超框、輕描） - 彈性閾值設(shè)定：根據(jù)填涂中心位置，允許標(biāo)記超出框線一定范圍（如框線外 5 像素內(nèi)仍算有效）。

- 概率化判定：結(jié)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(biāo)記），而非非黑即白的判斷。

選票格式變更（如新版選票） - 動(dòng)態(tài)模板配置：允許管理員導(dǎo)入新選票模板，自動(dòng)更新 ROI 區(qū)域坐標(biāo)與標(biāo)記規(guī)則，無(wú)需修改底層算法。

軟件算法：從識(shí)別精度到防篡改機(jī)制

1. 多重校驗(yàn)算法架構(gòu)

重復(fù)掃描比對(duì)：對(duì)每張選票進(jìn)行至少 2 次獨(dú)立掃描（間隔 50ms），比對(duì)兩次圖像的像素差異，若標(biāo)記區(qū)域灰度值偏差超過(guò) 15%，則觸發(fā)第三次掃描并人工介入（如日本選舉法要求對(duì)爭(zhēng)議票進(jìn)行三次掃描）。

多特征融合判斷：結(jié)合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權(quán)投票機(jī)制（如面積占比權(quán)重 40%+ 邊緣匹配度權(quán)重 30%+ 濃度均勻性權(quán)重 30%），避免單一特征誤判（例：某區(qū)域面積達(dá)標(biāo)但邊緣鋸齒狀，可能被判為 “無(wú)意涂抹”）。

機(jī)器學(xué)習(xí)模型迭代：利用歷史選舉的有效 / 無(wú)效票數(shù)據(jù)（如美國(guó) EAC 公開(kāi)的選票數(shù)據(jù)集）訓(xùn)練 CNN 模型，對(duì)非標(biāo)準(zhǔn)標(biāo)記（如超框填涂、輕描標(biāo)記）的識(shí)別準(zhǔn)確率提升至 99.2% 以上。

2. 防篡改與數(shù)據(jù)完整性保護(hù)

哈希值校驗(yàn)：對(duì)每張選票的掃描圖像生成哈希值（如 SHA-256），存儲(chǔ)于區(qū)塊鏈節(jié)點(diǎn)或加密數(shù)據(jù)庫(kù)，任何圖像修改都會(huì)導(dǎo)致哈希值變更，可實(shí)時(shí)檢測(cè)數(shù)據(jù)篡改（如德國(guó)部分州采用區(qū)塊鏈存證選票圖像）。

軟件版本控制：讀票機(jī)操作系統(tǒng)與識(shí)別算法采用簽名固件更新機(jī)制，僅允許通過(guò)官方渠道推送的版本（附帶數(shù)字證書(shū)）安裝，防止惡意程序植入（如 2018 年美國(guó)佛羅里達(dá)州選舉前，對(duì)所有讀票機(jī)進(jìn)行固件哈希值比對(duì)，攔截 3 臺(tái)異常設(shè)備）。