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。

核心硬件架构：光学识别的物理基础

光学扫描式读票机的硬件系统主要由以下部分构成，共同实现选票标记的捕捉与转换：

硬件组件 功能描述

光源模块 - 通常采用 LED 光源（如红光、红外光），均匀照射选票表面，确保标记区域反光差异明显。

- 部分设备配备多波长光源，适应不同墨水（如荧光墨水）的识别需求。

图像传感器 - 多为 CCD（电荷耦合器件）或 CMOS 图像传感器，分辨率通常在 300-600dpi，确保捕捉填涂细节（如铅笔浓度、墨水边缘）。

- 扫描速度可达每秒 10-30 张选票，满足大规模选举效率需求。

光学透镜组 - 聚焦光线至传感器，校正图像畸变，确保标记位置映射到像素坐标。

传动机构 - 通过滚轮或传送带匀速输送选票，避免扫描时抖动导致图像模糊。

信号处理电路 - 将传感器捕捉的模拟信号转换为数字图像数据（如 RGB 或灰度值），为后续算法处理做准备。

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。

全流程质量控制节点

阶段 具体措施

选举前 - 模拟测试：用至少 1000 张包含各类边缘场景的模拟选票（如重度折叠票、墨水渗透票、轻微填涂票）进行压力测试，识别错误率需＜0.01% 方可上线。

- 第三方认证：通过国际标准（如美国 FEC 的投票系统认证、ISO 25010 软件质量模型）的合规性审计。

选举中 - 实时异常报警：当连续 5 张选票出现 “多选” 或 “空白票” 比例超过历史均值 2 倍时，系统自动暂停并提示工作人员检查（如巴西大选读票机的实时监控 dashboard）。

- 双人员工值守：每台读票机需 2 名选举工作人员同时在场，一人操作、一人复核，避免单人误操作。

选举后 - 人工抽样审计：按选区随机抽取 5%-10% 的纸质选票与扫描数据比对，误差率超过 0.5% 时启动全量重新计票（如 2020 年美国亚利桑那州审计中，人工复核 5000 张选票，机器计数准确率为 99.87%）。

- 审计日志留存：记录每台读票机的开机时间、扫描张数、异常处理记录等，保存至少 22 个月（符合美国 HAVA 法案要求）。