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。
图像预处理：优化原始扫描数据
灰度化处理：将彩色图像转换为灰度图，突出标记与背景的亮度差异（如铅笔填涂区域灰度值较低）。
二值化转换：通过设定阈值（如灰度值低于 128 视为标记），将图像转化为黑白二值图，简化后续计算（例：填涂框内黑色像素占比≥30% 视为有效标记）。
噪声过滤：利用中值滤波、高斯滤波等算法，消除纸张污渍、折叠阴影等干扰（如去除面积小于 10 像素的孤立黑点）。
几何校正：通过检测选票边缘的定位标记（如 registration marks），校正因传送歪斜导致的图像旋转或缩放，确保标记位置与预设模板对齐。
典型技术挑战与解决方案
挑战场景 技术应对措施
不同墨水的反光差异 - 采用多光谱光源（如红光 + 红外光），针对不同墨水（铅笔、蓝黑墨水、荧光笔）调整检测波长。
- 机器学习模型训练：用历史数据训练分类器，区分不同墨水材质的标记。
选票折叠或污渍干扰 - 图像修复算法：通过插值法填充折叠造成的图像缺失区域。
- 污渍识别模型：用深度学习区分 “人为标记” 与 “自然污渍”（如咖啡渍形状通常更不规则）。
非标准填涂（如超框、轻描） - 弹性阈值设定：根据填涂中心位置，允许标记超出框线一定范围（如框线外 5 像素内仍算有效）。
- 概率化判定：结合填涂位置、面积、浓度等多维度特征，给出 “有效概率”（如 80% 概率为有效标记），而非非黑即白的判断。
选票格式变更（如新版选票） - 动态模板配置：允许管理员导入新选票模板，自动更新 ROI 区域坐标与标记规则，无需修改底层算法。
选票预处理：通过红外光源扫描选票，生成灰度图像，同时检测选票边缘的定位孔（registration holes）以校准位置。
区域划分：根据选票模板，将图像划分为总统候选人区、参议员区、公投议题区等独立 ROI。
填涂分析：对每个候选人对应的椭圆填涂框，计算黑色像素占比，超过 35% 则判定为有效投票。
异常标记处理：若同一总统候选人区检测到 2 个及以上有效填涂，系统标记为 “多选票”（overvote），该区域投票无效。
数据同步：每台读票机实时将计数结果通过加密网络传输至选区服务器，同时保存原始图像供事后审计（如 2020 年佐治亚州重新计票时，人工核对了扫描图像与纸质选票）。