選票讀票機（Vote Counting Machine）是用于自動化處理選舉選票、快速統(tǒng)計投票結果的電子設備，核心功能包括：
選票識別：讀取選票上的標記（如填涂、手寫符號、條形碼等），判斷選民選擇的候選人或選項。
數據統(tǒng)計：實時匯總選票數據，生成各候選人得票率、有效票 / 無效票數量等統(tǒng)計結果。
數據存儲與導出：保存原始選票數據和統(tǒng)計結果，支持導出至選舉管理系統(tǒng)或打印紙質報告。
異常檢測：識別重復投票、空白票、多選票等異常情況，并標記或報錯。
為確保選舉公正，讀票機需具備以下技術與措施：
1. 防篡改與加密技術
數據傳輸加密（如 SSL/TLS 協議），防止中途篡改。
區(qū)塊鏈技術應用：部分試點項目通過區(qū)塊鏈記錄選票數據，確保不可篡改（如西弗吉尼亞州區(qū)塊鏈投票試驗）。
2. 冗余與審計機制
紙質選票備份：電子讀票機需配合紙質選票，供人工審計或系統(tǒng)故障時使用。
雙重計數驗證：部分系統(tǒng)采用兩臺讀票機獨立計數，結果一致才確認有效。
3. 抗干擾與穩(wěn)定性設計
防電磁干擾：設備硬件需通過電磁兼容性（EMC）測試，避免外界信號干擾。
離線模式：支持斷電或網絡中斷時離線計數，恢復后同步數據。
4. 用戶驗證與權限控制
操作員身份認證：僅授權人員可訪問系統(tǒng)后臺，操作記錄全程留痕。
選票防偽：通過水印、熒光油墨等物理防偽技術，防止偽造選票。
特征提取與判斷：識別選民的選擇意圖
根據選票標記類型（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)學分析：通過膨脹、腐蝕等形態(tài)學運算，將勾選符號（√）或手寫標記（如 “○”）轉換為標準形狀，再與預設模板匹配。
方向特征提取：對于斜線標記（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)域內檢測到多個標記（如同時填涂兩個候選人框），或單票標記數超過規(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. 結果驗證與輸出：確保計數準確性
重復校驗：對關鍵標記區(qū)域進行多次掃描（如兩次獨立圖像采集），結果一致才確認有效。
人工復核接口：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）。
數據輸出：將識別結果轉換為結構化數據（如候選人 ID、得票數），同步至中央數據庫或打印紙質統(tǒng)計表。
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(qū)域灰度值偏差超過 15%，則觸發(fā)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(qū)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(qū)塊鏈節(jié)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(qū)塊鏈存證選票圖像）。
軟件版本控制：讀票機操作系統(tǒng)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）。
