核心硬件架構(gòu)：光學(xué)識別的物理基礎(chǔ)
光學(xué)掃描式讀票機的硬件系統(tǒng)主要由以下部分構(gòu)成，共同實現(xiàn)選票標(biāo)記的捕捉與轉(zhuǎn)換：
硬件組件 功能描述
光源模塊 - 通常采用 LED 光源（如紅光、紅外光），均勻照射選票表面，確保標(biāo)記區(qū)域反光差異明顯。
- 部分設(shè)備配備多波長光源，適應(yīng)不同墨水（如熒光墨水）的識別需求。
圖像傳感器 - 多為 CCD（電荷耦合器件）或 CMOS 圖像傳感器，分辨率通常在 300-600dpi，確保捕捉填涂細節(jié)（如鉛筆濃度、墨水邊緣）。
- 掃描速度可達每秒 10-30 張選票，滿足大規(guī)模選舉效率需求。
光學(xué)透鏡組 - 聚焦光線至傳感器，校正圖像畸變，確保標(biāo)記位置映射到像素坐標(biāo)。
傳動機構(gòu) - 通過滾輪或傳送帶勻速輸送選票，避免掃描時抖動導(dǎo)致圖像模糊。
信號處理電路 - 將傳感器捕捉的模擬信號轉(zhuǎn)換為數(shù)字圖像數(shù)據(jù)（如 RGB 或灰度值），為后續(xù)算法處理做準(zhǔn)備。
標(biāo)記區(qū)域定位：鎖定選票上的有效選擇區(qū)
模板匹配：讀票機內(nèi)置選票格式模板，通過檢測預(yù)設(shè)的定位點（如角點、條形碼）確定候選人選項框、政黨符號等區(qū)域的坐標(biāo)范圍。
興趣區(qū)域（ROI）劃分：將選票圖像分割為多個獨立 ROI（如每個候選人對應(yīng)一個矩形區(qū)域），減少全局分析的計算量。
示例：美國大選使用的 “蝶形選票”（Butterfly Ballot）中，讀票機通過模板定位左右兩列候選人姓名旁的填涂框，避免因選民誤填相鄰區(qū)域?qū)е抡`判。
特征提取與判斷：識別選民的選擇意圖
根據(jù)選票標(biāo)記類型（填涂、勾選、手寫符號等），算法采用不同的特征提取策略：
（1）填涂標(biāo)記識別（常見場景）
面積占比法：計算填涂框內(nèi)黑色像素占比，超過閾值（如 30%-50%）則判定為有效選擇。
例：選民使用 2B 鉛筆填涂候選人 A 的方框，掃描后該區(qū)域黑色像素占比達 45%，算法判定為有效投票。
邊緣檢測法：通過 Canny 或 Sobel 算子檢測填涂區(qū)域的邊緣輪廓，與標(biāo)準(zhǔn)填涂形狀（如矩形、圓形）比對，排除不規(guī)則標(biāo)記（如筆尖打滑形成的短線）。
濃度梯度分析：填涂越均勻的區(qū)域，灰度值分布越集中，算法可通過統(tǒng)計像素灰度方差來區(qū)分 “認真填涂” 與 “輕微觸碰”。
（2）勾選或手寫符號識別
形態(tài)學(xué)分析：通過膨脹、腐蝕等形態(tài)學(xué)運算，將勾選符號（√）或手寫標(biāo)記（如 “○”）轉(zhuǎn)換為標(biāo)準(zhǔn)形狀，再與預(yù)設(shè)模板匹配。
方向特征提?。簩τ谛本€標(biāo)記（如 “/”），計算像素分布的梯度方向，判斷是否符合 “勾選” 的典型角度（如 45° 或 135°）。
（3）異常標(biāo)記檢測
多選判定：同一候選區(qū)域內(nèi)檢測到多個標(biāo)記（如同時填涂兩個候選人框），或單票標(biāo)記數(shù)超過規(guī)定（如總統(tǒng)選舉多選 1 人），則判定為無效票。
空白票識別：所有候選區(qū)域標(biāo)記面積均低于閾值，判定為未投票。
4. 結(jié)果驗證與輸出：確保計數(shù)準(zhǔn)確性
重復(fù)校驗：對關(guān)鍵標(biāo)記區(qū)域進行多次掃描（如兩次獨立圖像采集），結(jié)果一致才確認有效。
人工復(fù)核接口：對算法判定存疑的選票（如填涂面積接近閾值、標(biāo)記形狀模糊），生成圖像供選舉工作人員人工審核（如美國部分州要求對 “爭議票” 進行人工查驗）。
數(shù)據(jù)輸出：將識別結(jié)果轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)（如候選人 ID、得票數(shù)），同步至中央數(shù)據(jù)庫或打印紙質(zhì)統(tǒng)計表。
軟件算法：從識別精度到防篡改機制
1. 多重校驗算法架構(gòu)
重復(fù)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(biāo)記區(qū)域灰度值偏差超過 15%，則觸發(fā)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(jié)合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權(quán)投票機制（如面積占比權(quán)重 40%+ 邊緣匹配度權(quán)重 30%+ 濃度均勻性權(quán)重 30%），避免單一特征誤判（例：某區(qū)域面積達標(biāo)但邊緣鋸齒狀，可能被判為 “無意涂抹”）。
機器學(xué)習(xí)模型迭代：利用歷史選舉的有效 / 無效票數(shù)據(jù)（如美國 EAC 公開的選票數(shù)據(jù)集）訓(xùn)練 CNN 模型，對非標(biāo)準(zhǔn)標(biāo)記（如超框填涂、輕描標(biāo)記）的識別準(zhǔn)確率提升至 99.2% 以上。
2. 防篡改與數(shù)據(jù)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(qū)塊鏈節(jié)點或加密數(shù)據(jù)庫，任何圖像修改都會導(dǎo)致哈希值變更，可實時檢測數(shù)據(jù)篡改（如德國部分州采用區(qū)塊鏈存證選票圖像）。
軟件版本控制：讀票機操作系統(tǒng)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(shù)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(shè)備）。
