选票读票机（Vote Counting Machine）是用于自动化处理选举选票、快速统计投票结果的电子设备，核心功能包括：

选票识别：读取选票上的标记（如填涂、手写符号、条形码等），判断选民选择的候选人或选项。

数据统计：实时汇总选票数据，生成各候选人得票率、有效票 / 无效票数量等统计结果。

数据存储与导出：保存原始选票数据和统计结果，支持导出至选举管理系统或打印纸质报告。

异常检测：识别重复投票、空白票、多选票等异常情况，并标记或报错。

电子触摸屏读票机（Electronic Touchscreen）

原理：选民直接在触摸屏上选择候选人，机器实时记录数据并生成电子选票。

特点：

操作直观，减少人工误差，但依赖电力和系统稳定性。

存在黑客攻击或系统故障风险，需配合纸质备份（如 “选民验证纸质审计轨迹” VVPAT）。

应用场景：美国部分州、巴西等电子化选举场景。

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。

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）。