光学扫描式读票机（Optical Scan）

原理：通过光学传感器扫描选票上的标记（如铅笔填涂、墨水笔勾选），利用图像识别技术判断选民选择。

特点：

成本较低，兼容纸质选票，适合大规模选举。

需选票格式标准化（如固定位置的填涂框）。

应用场景：美国大选、印度议会选举等大规模纸质选票选举。

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）。

南昊（北京）科技有限公司专业为广大客户提供：投票选举计票系统，换届选举选票计票器，选票计票器（机），选票读票器（机），电子选票机（器），电子票箱，智能扫描选举读票机等系统设备租售服务。

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）。