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(zhì)和標記墨水要求高。

易受污漬、折疊影響，應用場景較窄。

選票讀票機是現(xiàn)代選舉數(shù)字化的核心工具，其技術(shù)演進始終圍繞 “效率、準確、” 三大目標。盡管存在技術(shù)爭議，但通過標準化流程、多重審計機制和技術(shù)迭代，讀票機正逐步成為保障選舉公正的重要支撐。在應用中，需結(jié)合地區(qū)電子化水平、選民習慣及需求，選擇適配的技術(shù)方案，同時強化人工監(jiān)督與法律規(guī)范，確保技術(shù)為民主選舉賦能。

軟件算法：從識別精度到防篡改機制

1. 多重校驗算法架構(gòu)

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(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(shè)備）。

全流程質(zhì)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(zhì)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(zhì)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）。