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。
机械计数读票机（Mechanical）
原理：通过机械结构（如齿轮、杠杆）统计选票数量，常见于早期手动投票机。
特点：
无需电力，成本极低，但效率低、易出错，已逐渐被淘汰。
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。
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）。