機械計數(shù)讀票機（Mechanical）

原理：通過機械結(jié)構(gòu)（如齒輪、杠桿）統(tǒng)計選票數(shù)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。

標記區(qū)域定位：鎖定選票上的有效選擇區(qū)

模板匹配：讀票機內(nèi)置選票格式模板，通過檢測預(yù)設(shè)的定位點（如角點、條形碼）確定候選人選項框、政黨符號等區(qū)域的坐標范圍。

興趣區(qū)域（ROI）劃分：將選票圖像分割為多個獨立 ROI（如每個候選人對應(yīng)一個矩形區(qū)域），減少全局分析的計算量。

示例：美國大選使用的 “蝶形選票”（Butterfly Ballot）中，讀票機通過模板定位左右兩列候選人姓名旁的填涂框，避免因選民誤填相鄰區(qū)域?qū)е抡`判。

特征提取與判斷：識別選民的選擇意圖

根據(jù)選票標記類型（填涂、勾選、手寫符號等），算法采用不同的特征提取策略：

（1）填涂標記識別（常見場景）

面積占比法：計算填涂框內(nèi)黑色像素占比，超過閾值（如 30%-50%）則判定為有效選擇。

例：選民使用 2B 鉛筆填涂候選人 A 的方框，掃描后該區(qū)域黑色像素占比達 45%，算法判定為有效投票。

邊緣檢測法：通過 Canny 或 Sobel 算子檢測填涂區(qū)域的邊緣輪廓，與標準填涂形狀（如矩形、圓形）比對，排除不規(guī)則標記（如筆尖打滑形成的短線）。

濃度梯度分析：填涂越均勻的區(qū)域，灰度值分布越集中，算法可通過統(tǒng)計像素灰度方差來區(qū)分 “認真填涂” 與 “輕微觸碰”。

（2）勾選或手寫符號識別

形態(tài)學(xué)分析：通過膨脹、腐蝕等形態(tài)學(xué)運算，將勾選符號（√）或手寫標記（如 “○”）轉(zhuǎn)換為標準形狀，再與預(yù)設(shè)模板匹配。

方向特征提?。簩τ谛本€標記（如 “/”），計算像素分布的梯度方向，判斷是否符合 “勾選” 的典型角度（如 45° 或 135°）。

（3）異常標記檢測

多選判定：同一候選區(qū)域內(nèi)檢測到多個標記（如同時填涂兩個候選人框），或單票標記數(shù)超過規(guī)定（如總統(tǒng)選舉多選 1 人），則判定為無效票。

空白票識別：所有候選區(qū)域標記面積均低于閾值，判定為未投票。

4. 結(jié)果驗證與輸出：確保計數(shù)準確性

重復(fù)校驗：對關(guān)鍵標記區(qū)域進行多次掃描（如兩次獨立圖像采集），結(jié)果一致才確認有效。

人工復(fù)核接口：對算法判定存疑的選票（如填涂面積接近閾值、標記形狀模糊），生成圖像供選舉工作人員人工審核（如美國部分州要求對 “爭議票” 進行人工查驗）。

數(shù)據(jù)輸出：將識別結(jié)果轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)（如候選人 ID、得票數(shù)），同步至中央數(shù)據(jù)庫或打印紙質(zhì)統(tǒng)計表。

讀票機的準確性與可靠性依賴 “技術(shù) + 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(wěn)定，軟件借助算法校驗與防篡改設(shè)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(jiān)督彌補技術(shù)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(jù)美國 EAC（選舉援助委員會）2022 年報告，符合認證標準的光學(xué)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(shù)與聯(lián)邦學(xué)習(xí)在選舉系統(tǒng)中的應(yīng)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(xí)慣的包容性。