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。

典型技術挑戰(zhàn)與解決方案

挑戰(zhàn)場景 技術應對措施

不同墨水的反光差異 - 采用多光譜光源（如紅光 + 紅外光），針對不同墨水（鉛筆、藍黑墨水、熒光筆）調整檢測波長。

- 機器學習模型訓練：用歷史數(shù)據(jù)訓練分類器，區(qū)分不同墨水材質的標記。

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

- 污漬識別模型：用深度學習區(qū)分 “人為標記” 與 “自然污漬”（如咖啡漬形狀通常更不規(guī)則）。

非標準填涂（如超框、輕描） - 彈性閾值設定：根據(jù)填涂中心位置，允許標記超出框線一定范圍（如框線外 5 像素內仍算有效）。

- 概率化判定：結合填涂位置、面積、濃度等多維度特征，給出 “有效概率”（如 80% 概率為有效標記），而非非黑即白的判斷。

選票格式變更（如新版選票） - 動態(tài)模板配置：允許管理員導入新選票模板，自動更新 ROI 區(qū)域坐標與標記規(guī)則，無需修改底層算法。

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）。

全流程質量控制節(jié)點

階段 具體措施

選舉前 - 模擬測試：用至少 1000 張包含各類邊緣場景的模擬選票（如重度折疊票、墨水滲透票、輕微填涂票）進行壓力測試，識別錯誤率需＜0.01% 方可上線。

- 第三方認證：通過國際標準（如美國 FEC 的投票系統(tǒng)認證、ISO 25010 軟件質量模型）的合規(guī)性審計。

選舉中 - 實時異常報警：當連續(xù) 5 張選票出現(xiàn) “多選” 或 “空白票” 比例超過歷史均值 2 倍時，系統(tǒng)自動暫停并提示工作人員檢查（如巴西大選讀票機的實時監(jiān)控 dashboard）。

- 雙人員工值守：每臺讀票機需 2 名選舉工作人員同時在場，一人操作、一人復核，避免單人誤操作。

選舉后 - 人工抽樣審計：按選區(qū)隨機抽取 5%-10% 的紙質選票與掃描數(shù)據(jù)比對，誤差率超過 0.5% 時啟動全量重新計票（如 2020 年美國亞利桑那州審計中，人工復核 5000 張選票，機器計數(shù)準確率為 99.87%）。

- 審計日志留存：記錄每臺讀票機的開機時間、掃描張數(shù)、異常處理記錄等，保存至少 22 個月（符合美國 HAVA 法案要求）。