條形碼 / 二維碼讀票機
原理：選民通過填寫或掃描條形碼 / 二維碼選票，機器讀取編碼后解析投票信息。
特點：
數據精度高，可存儲更多信息（如選區、候選人編號）。
需提前印制帶編碼的選票，適合電子化程度較高的選舉。
機械計數讀票機（Mechanical）
原理：通過機械結構（如齒輪、杠桿）統計選票數量，常見于早期手動投票機。
特點：
無需電力，成本極低，但效率低、易出錯，已逐漸被淘汰。
軟件算法：從識別精度到防篡改機制
1. 多重校驗算法架構
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，若標記區域灰度值偏差超過 15%，則觸發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：結合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權投票機制（如面積占比權重 40%+ 邊緣匹配度權重 30%+ 濃度均勻性權重 30%），避免單一特征誤判（例：某區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 / 無效票數據（如美國 EAC 公開的選票數據集）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. 防篡改與數據完整性保護
哈希值校驗：對每張選票的掃描圖像生成哈希值（如 SHA-256），存儲于區塊鏈節點或加密數據庫，任何圖像修改都會導致哈希值變更，可實時檢測數據篡改（如德國部分州采用區塊鏈存證選票圖像）。
軟件版本控制：讀票機操作系統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 臺異常設備）。
全流程質量控制節點
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 的投票系統認證、ISO 25010 軟件質量模型）的合規性審計。
選舉中 - 實時異常報警：當連續 5 張選票出現 “多選” 或 “空白票” 比例超過歷史均值 2 倍時，系統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：按選區隨機抽取 5%-10% 的紙質選票與掃描數據比對，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、異常處理記錄等，保存至少 22 個月（符合美國 HAVA 法案要求）。
