機械計數(shù)讀票機（Mechanical）

原理：通過機械結構（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。

選票預處理：通過紅外光源掃描選票，生成灰度圖像，同時檢測選票邊緣的定位孔（registration holes）以校準位置。

區(qū)域劃分：根據(jù)選票模板，將圖像劃分為總統(tǒng)候選人區(qū)、參議員區(qū)、公投議題區(qū)等獨立 ROI。

填涂分析：對每個候選人對應的橢圓填涂框，計算黑色像素占比，超過 35% 則判定為有效投票。

異常標記處理：若同一總統(tǒng)候選人區(qū)檢測到 2 個及以上有效填涂，系統(tǒng)標記為 “多選票”（overvote），該區(qū)域投票無效。

數(shù)據(jù)同步：每臺讀票機實時將計數(shù)結果通過加密網(wǎng)絡傳輸至選區(qū)服務器，同時保存原始圖像供事后審計（如 2020 年佐治亞州重新計票時，人工核對了掃描圖像與紙質選票）。

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(shù)據(jù)（如美國 EAC 公開的選票數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)庫，任何圖像修改都會導致哈希值變更，可實時檢測數(shù)據(jù)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(shù)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）。

爭議票處理機制

可視化復核界面：讀票機軟件提供選票圖像放大、灰度值可視化工具（如用熱力圖顯示填涂濃度），工作人員可手動標記 “有效”“無效” 或 “待確認”（如加拿大聯(lián)邦選舉中，人工復核團隊通過專用軟件處理爭議票）。

多輪仲裁流程：對人工復核仍存爭議的選票（如填涂面積剛好卡在閾值邊緣），由選區(qū)選舉委員會 3 名成員投票決定，需至少 2 票同意方可判定有效性。