接触式读票机（Contact-based）
原理：通过物理接触（如金属触点）检测选票上的导电标记（如特殊墨水填涂），形成电路导通来识别选择。
特点：
识别速度快，但对选票材质和标记墨水要求高。
易受污渍、折叠影响，应用场景较窄。
条形码 / 二维码读票机
原理：选民通过填写或扫描条形码 / 二维码选票，机器读取编码后解析投票信息。
特点：
数据精度高，可存储更多信息（如选区、候选人编号）。
需提前印制带编码的选票，适合电子化程度较高的选举。
核心硬件架构：光学识别的物理基础
光学扫描式读票机的硬件系统主要由以下部分构成，共同实现选票标记的捕捉与转换：
硬件组件 功能描述
光源模块 - 通常采用 LED 光源（如红光、红外光），均匀照射选票表面，确保标记区域反光差异明显。
- 部分设备配备多波长光源，适应不同墨水（如荧光墨水）的识别需求。
图像传感器 - 多为 CCD（电荷耦合器件）或 CMOS 图像传感器，分辨率通常在 300-600dpi，确保捕捉填涂细节（如铅笔浓度、墨水边缘）。
- 扫描速度可达每秒 10-30 张选票，满足大规模选举效率需求。
光学透镜组 - 聚焦光线至传感器，校正图像畸变，确保标记位置映射到像素坐标。
传动机构 - 通过滚轮或传送带匀速输送选票，避免扫描时抖动导致图像模糊。
信号处理电路 - 将传感器捕捉的模拟信号转换为数字图像数据（如 RGB 或灰度值），为后续算法处理做准备。
软件算法：从识别精度到防篡改机制
1. 多重校验算法架构
重复扫描比对：对每张选票进行至少 2 次独立扫描（间隔 50ms），比对两次图像的像素差异，若标记区域灰度值偏差超过 15%，则触发第三次扫描并人工介入（如日本选举法要求对争议票进行三次扫描）。
多特征融合判断：结合填涂面积、边缘轮廓、灰度梯度等多维度特征，采用加权投票机制（如面积占比权重 40%+ 边缘匹配度权重 30%+ 浓度均匀性权重 30%），避免单一特征误判（例：某区域面积达标但边缘锯齿状，可能被判为 “无意涂抹”）。
机器学习模型迭代：利用历史选举的有效 / 无效票数据（如美国 EAC 公开的选票数据集）训练 CNN 模型，对非标准标记（如超框填涂、轻描标记）的识别准确率提升至 99.2% 以上。
2. 防篡改与数据完整性保护
哈希值校验：对每张选票的扫描图像生成哈希值（如 SHA-256），存储于区块链节点或加密数据库，任何图像修改都会导致哈希值变更，可实时检测数据篡改（如德国部分州采用区块链存证选票图像）。
软件版本控制：读票机操作系统与识别算法采用签名固件更新机制，仅允许通过官方渠道推送的版本（附带数字证书）安装，防止恶意程序植入（如 2018 年美国佛罗里达州选举前，对所有读票机进行固件哈希值比对，拦截 3 台异常设备）。