Nhận dạng vị trí tải trên cầu trục container bằng camera

JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
65 
Nhận dạng vị trí tải trên cầu trục container bằng camera 
Load Position Detection of Container Crane Using Camera 
Ngô Quang Hiếu*, Lê Văn Lẻ, Nguyễn Hữu Quang, Trương Quốc Bảo, 
Nguyễn Hữu Cường 
Đại học Cần Thơ, Cần Thơ, Việt Nam 
*Email: nqhieu@ctu.edu.vn 
Tóm tắt 
Trong nghiên cứu này, nhóm tác giả đề xuất một giải thuật xử lý ảnh để xác định độ dài dây của cầu trục container 
(khoảng cách từ hệ camera đến vị trí ngàm kẹp container) và góc lắc của ngàm kẹp container làm cơ sở cho việc thiết 
kế thuật toán điều khiển chống lắc cho cầu trục container. Giải thuật xử lý ảnh bao gồm các bước chính: chuyển đổi từ 
không gian màu BGR sang không gian màu HSV, nhị phân ảnh nhằm trích xuất vùng đối tượng đã được đánh dấu 
(marker). Tiếp theo, kỹ thuật dò biên Canny và xác định đường bao được áp dụng để xác định vị trí của các điểm được 
đánh dấu trên ngàm kẹp container. Cuối cùng, tâm của các điểm đánh dấu được xác định và được sử dụng để tính toán 
khoảng cách từ hệ camera đến vị trí ngàm kẹp container. Độ chính xác của giải thuật xác định khoảng cách là 99,79%, 
đáp ứng được yêu cầu đo đạc cho điều khiển. 
Từ khóa: Xử lý ảnh, độ dài dây, cầu trục container, điểm định vị, góc lắc. 
Abstract 
In this study, the authors proposed an image processing algorithm to detect (measure) the rope length of container 
crane (distance from camera system to container spreader) and sway angle of the spearder (container). This 
measurement will be the main input to design the anti-sway control system for container cranes. The image processing 
algorithm includes the main steps: converting from BGR color space to HSV color space, then, binary image is used to 
extract the marker area. Next, the Canny boundary detection technique is applied to determine the boundary of the 
markers in the container spreader. The center location of each marker is determined and used to calculate the distance 
from the camera system to the container spreader is calculated. The rope length accuracy by the image processing 
algorithm is 99,79%. It is satisfied for crane control purpose. 
Keywords: Image processing, rope length detection, container crane, marker, sway angle. 
1. Giới thiệu1 
Tại các cảng biển, việc rút ngắn thời gian chờ tàu 
và bốc dỡ hàng hóa đóng vai trò quan trọng nhằm tăng 
hiệu xuất làm việc và tiết giảm chi phí cho doanh 
nghiệp. Tuy nhiên việc bốc dỡ lại phụ thuộc hoàn toàn 
vào kinh nghiệm của người lái cầu trục, do đó một 
người lái cầu trục cần kinh nghiệm ít nhất 5 năm để 
đạt năng suất bốc dỡ trung bình 30-35 container/giờ. 
Vấn đề khó khăn đặt ra cho người lái cầu trục đó là 
tầm quan sát bị hạn chế do ảnh hưởng bởi khoảng 
cách, việc bốc dỡ một container ở khoảng cách 
khoảng 30m là không hề dễ dàng. Việc nghiên cứu 
một hệ thống nhằm hỗ trợ người lái cầu trục xác định 
vị trí của tải là hết sức cần thiết và có giá trị thực tiễn 
cao. 
Hệ thống định vị, xác định khoảng cách từ hệ 
camera đến vị trí container cũng như tính toán góc lắc 
của container trong quá trình chuyển động đóng vai 
trò quan trọng trong việc hỗ trợ người lái cầu trục điều 
khiển bốc dỡ container. Các hệ thống như vậy đang 
được phát triển và ứng dụng trong ngành công nghiệp 
ISSN: 2734-9381 
https://doi.org/10.51316/jst.149.etsd.2021.1.2.11 
Received: August 12, 2020; accepted: November 18, 2020 
tự động hóa, thông minh ở một số quốc gia phát triển 
trên thế giới với nhiều công trình nghiên cứu liên 
quan. Tuy nhiên, các nghiên cứu như vậy ở Việt Nam 
là rất hạn chế. Các nghiên cứu chỉ dừng lại ở đề xuất 
sử dụng một hệ gồm nhiều camera khác nhau để thu 
nhận thông tin ảnh độ sâu của đối tượng cần quan tâm, 
từ đó xác định vị trí cũng như kích thước container 
[1][2][3]. Phần lớn các nghiên cứu này chỉ mới ở giai 
đoạn mô phỏng, chưa xây dựng được một hệ thống áp 
dụng thực tế. Riêng ở nước ta, các nghiên cứu áp dụng 
những ứng dụng này vẫn còn chưa phổ biến, chủ yếu 
là ở kinh nghiệm quan sát của người lái cầu trục, vì 
vậy nghiên cứu này là rất cần thiết và có ý nghĩa thực 
tiễn. 
Bài báo đề xuất một giải thuật xử lý ảnh mới để 
định vị, xác định khoảng cách từ hệ camera đến vị trị 
container và ước lượng góc lệch của hệ container so 
với phương ngang sử dụng các kỹ thuật xử lý ảnh. 
Đầu tiên, ảnh thu nhận được từ hệ thống sẽ được 
chuyển đổi từ không gian màu RGB sang HSV để xử 
lý. Tiếp theo, tìm biên đối tượng với bộ lọc Canny, 
tính diện tích đường bao của đối tượng để loại bỏ 
những vùng đối tượng nhiễu và tính khoảng cách từ hệ 
camera đến tâm đối tượng. Quy trình xử lý tổng quát 
của phương pháp được trình bày như trong Hình 1. 
Mục tiếp theo của bài viết mô tả chi tiết nội dung thực 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
66 
hiện của phương pháp được đề xuất. Các kết quả thực 
nghiệm và thảo luận được trình bày trong Mục 3. Kết 
luận và các định hướng nghiên cứu tiếp theo được đưa 
ra trong Mục 4 của bài báo. 
2. Thuật toán xử lý ảnh 
2.1. Hệ thống quan sát và đèn hiệu nhận diện 
Với mục tiêu thu nhận hình ảnh hệ đèn hiệu đưa 
về máy tính xử lý nhận diện, ước lượng vị trí tâm cũng 
như khoảng cách từ hệ đèn hiệu đến hệ thống quan sát 
(Hình 2). Trong hệ thống này, chúng tôi thiết kế một 
giá đỡ cơ khí để hỗ trợ việc cố định camera Basler 
1920-40gc và ống kính Basler f16mm, camera có khả 
năng xử lý và xác định hình ảnh với khoảng cách gần 
nhất từ hệ camera đến vật cần đo khoảng cách là 
350cm. Đèn hiệu giúp hệ camera có thể nhận diện 
được lắp đặt trên khung chụp container gồm hai đèn 
tròn màu đỏ có đường kính 10 cm và đặt cách nhau 
83 cm tính tại tâm. 
2.2. Phân đoạn ảnh 
Đây là một phương pháp cơ bản được sử dụng để 
phát hiện đối tượng dựa trên các thuộc tính màu của 
đối tượng [4]. Các bước tiếp theo của thuật toán sẽ 
được thực hiện và hiển thị cho thành phần Hue của 
không gian màu HSV [5]. Trong bước này hình ảnh 
được lọc trong phạm vi thiết lập bởi người dùng. Thiết 
lập bộ lọc đã được chuẩn bị để phát hiện màu của đối 
tượng. Ngõ ra của thuật toán, các điểm ảnh màu trắng 
là những điểm ảnh đáp ứng điều kiện của bộ lọc. 
Nhiều điểm ảnh nhỏ màu trắng có thể được nhìn thấy 
sẽ được xóa bỏ trong các bước tiếp theo của thuật toán 
(Hình 3). Sau đó, hàm Contours được áp dụng để tìm 
và lưu trữ các đường viền màu trắng từ hình ảnh 
ngưỡng. Tuy nhiên, nhược điểm là hàm findContours 
tìm thấy bất kỳ đường viền màu trắng nào được tìm 
thấy trong hình ảnh ngưỡng. Các hoạt động hình thái 
(như xói mòn và pha loãng) có thể loại bỏ nhiễu. 
2.3. Phân tích hình dạng 
Phân tích hình dạng là phân tích hình dạng hình 
học của đối tượng quan tâm [6][7]; trong nghiên cứu 
này, phân tích độ tròn của phân vùng nhằm để tăng độ 
chính xác của việc nhận dạng đối tượng (Hình 4). 
Diện tích và chu vi của từng phân vùng cũng được 
ước tính. Tọa độ biên được sử dụng để ước tính diện 
tích và chu vi của từng phân vùng bằng cách trích xuất 
các hàm hình thái và biên. Giá trị độ tròn của từng 
phân vùng được xác định bởi công thức: 
2
4 i
i
i
A
R
p
π
= , (1) 
trong đó, Ri, Ai, và pi lần lượt là giá trị độ tròn, diện 
tích và chu vi của từng phân vùng. Giá trị độ tròn bằng 
1 cho hình tròn và nhỏ hơn 1 cho các hình dạng khác. 
Sử dụng giá trị tính toán diện tích của từng phân vùng 
để loại bỏ nhiễu và giữ lại vùng đối tượng cần quan 
tâm (Hình 5). 
Hình 1. Sơ đồ phương pháp ước lượng vị trí và hướng 
của đối tượng 
Hình 2. Hệ thống quan sát và đèn hiệu. 
Hình 3. Phân đoạn vùng đối tượng theo màu 
Hình 4. Tìm đường biên của đối tượng 
Hình 5. Kết quả khử nhiễu 
2.4. Xác định tâm đối tượng 
Sau khi tách được đối tượng ra khỏi nền và 
khoanh vùng đối tượng bằng đường bao quanh 
contours, tiếp theo ta tìm tâm của đối tượng, để xác 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
67 
định được tọa độ tâm của đối tượng ta phải tìm mô-
men của phân vùng được quan tâm [8]. 
Phương trình toán của mô-men được biểu diễn 
như ở công thức (2) 
( ) ( )nn x c f x dxµ
+∞
−∞
= −∫ , (2) 
trong đó, có thn mô-men xung quanh điểm c. Khi ta 
xét trên không gian 2D, ta có hai biến độc lập để biểu 
diễn cho công thức (1). Vậy công thức được biểu diễn 
lại như (3): 
( ) ( ) ( ), ,
nm
m n x yx c x c f x y dxdyµ = − −∫∫ . (3) 
Ở đây, hàm ( ),f x y là một hàm liên tục. Vì vậy, 
ta phải rời rạc hóa từng điểm ảnh theo công thức (4): 
( ) ( ) ( ),
0 0
,
nm
m n x y
x y
x c y c f x yµ
∞ ∞
= =
= − −∑∑ . (4) 
Sau khi ta tính được vùng chứa ảnh nhị phân của 
đối tượng, ta cần tính mô-men thứ 0. 
( )0 00,0
0 0
,
w h
x y
x y f x yµ
= =
= ∑∑ . (5) 
Phương trình được viết lại như sau khi bỏ qua 
0x ,và 0y 
( )0,0
0 0
,
w h
x y
f x yµ
= =
= ∑∑ . (6) 
Để xác định tâm của ảnh đối tượng, ta cần tính 
trên 2 trục tọa độ: 
1,0 0,1
0,0 0,0
,centroid
µ µ
µ µ
 
=   
 
. (7) 
Tổng số điểm ảnh cần xét sẽ được tổng hợp lại 
và biểu diễn như sau: 
( )
( )
, ,
, .
x
y
sum xf x y
sum yf x y
=
=
∑∑
∑∑
 (8) 
Sau đó, ta lấy trung bình bằng cách chia cho tổng 
số điểm ảnh. 
1,0 0,1
0,0 0,0
, .yx
sumsum
µ µ
µ µ
= = (9) 
Đối với các hàm trong OpenCV, thì tọa độ tâm 
được tính như sau: 
[ ] [ ]( )
[ ] [ ]( )
int " 10" / " 00" ,
int " 01" / " 00" .
x
y
c M m M m
c M m M m
=
=
 (10) 
Kết quả xác định tâm của đối tượng được thể hiện 
trong Hình 6. 
2.5. Ước lượng vị trí và hướng đối tượng 
2.5.1. Mô hình pinhole camera 
Mô hình pinhole camera có bốn hệ tọa độ được 
sử dụng: hệ tọa độ toàn cầu, hệ tọa độ camera, hệ tọa 
độ ảnh và hệ tọa độ điểm ảnh [9]. Trong các hệ tọa độ, 
hệ tọa độ ảnh và điểm ảnh đều nằm trên mặt phẳng 
ảnh nhưng điểm góc và hướng tọa độ đều khác nhau. 
Ảnh được thu thập bởi Baslar camera được chiếu lên 
các mặt phẳng ảnh. Đối với hệ tọa độ toàn cầu, mô 
hình pinhole camera cần phải đáp ứng yêu cầu. Dựa 
trên định nghĩa của mô hình pinhole camera, điểm P 
trên tọa độ toàn cầu được chiếu lên mặt phẳng ảnh 
( P′ ) thông qua hệ tọa độ camera. Theo lý thuyết về 
mô hình pinhole camera 
0 0 0
0 0 0
1 0 0 1 0
1
c
c
c
c
x
x f
y
z y f
z
 
     
     =     
        
 
, (11) 
trong đó, (x, y) là tọa độ vật lý của điểm 'P dưới hệ tọa 
độ ảnh, và ( , , )c c cx y z là tọa độ điểm P dưới hệ tọa độ 
camera. Và f là trọng tâm của camera. Ảnh được lưu 
trữ trên máy tính dưới dạng số, Chúng ta tạo ra một hệ 
tọa độ điểm ảnh trên mặt phẳng ảnh. Như được trình 
bài Hình 3, ( , )u v là hệ tọa độ điểm ảnh được mô tả ở 
trên. Mối liên hệ giửa hệ tọa độ ảnh và điểm ảnh được 
trình bày thông qua công thức 
0
0
0
0 ,
1 0 0 1 1
y x
y y
x d d u
y d d v
µ
µ
−     
     = −     
          
 (12) 
trong đó, dx, dy mô tả số điểm ảnh trong kích thước 
đơn vị vật lý. Để so sánh hệ tọa độ camera với hệ tọa 
độ toàn cầu được thể hiện qua công thức như sau: 
0 1
1 1
c w
c w
c w
x x
y y
z z
   
       =      
   
   
R t
, (13) 
với ( , , )w w wx y z là tọa độ của điểm P trong hệ tọa độ 
toàn cầu. R là một mà trận xoay với kích thước 3 3× , 
t là ma trận dịch chuyển với kích thước 3 1× . Từ 
phương trình (1), (2), (3), mối quan hệ giữa hệ tọa độ 
thế giới và điểm ảnh có thể bắt nguồn từ: 
0
0
0 0
0 0
0 1
1 0 0 1 0
1
w
x
w
c y
w
x
u a
y
z v a v
z
µ
 
           =                
 
R t
, (14) 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
68 
trong đó, ,x y
x y
f fa a
d d
= = . Do đó, tọa độ 'p dễ dàng 
đạt được trên hệ tọa độ điểm ảnh từ hệ tọa độ toàn 
cầu. 
2.5.2. Ước lượng khoảng cách 
Để xác định vị trí và hướng của đối tượng trên hệ 
tọa độ toàn cầu ta cần truy vấn thông tin 2D được mô 
tả phần trên. Xây dựng công thức ước lượng khoảng 
cách có nghĩa là thiết lập một công thức mô tả mối 
quan hệ giữa độ lớn điểm ảnh và khoảng cách từ 
camera đến đối tượng (Hình 7). Trong hệ tọa độ toàn 
cầu ( ), ,w w wx y z , đường kính của đối tượng là L. Trong 
hệ tọa độ camera ( ), ,c c cx y z , đường kính của đối 
tượng là l, tiêu cự là f, khoảng cách từ camera đến đối 
tượng cần tính là d. Dựa trên nguyên lý hình ảnh 
pinhole và tam giác đồng dạng, công thức dễ dàng 
được xác định như sau: 
L
d f
l
= . (15) 
2.5.3. Ước lượng vị trí và hướng 
Để dự ước lượng vị trí và hướng của đối tượng 
cho việc dự đoán quỹ đạo container, đầu tiên hệ thống 
xây dựng một mặt phẳng dự đoán bằng cách sử dụng 
phân đoạn mặt phẳng. Sau đó, một hệ tọa độ được xây 
dựng trên mặt phẳng dự đoán. Hình 8 cho thấy quy 
trình từng bước của thuật toán, mối quan hệ giữa các 
điểm mục tiêu và camera được thể hiện trong Hình 9. 
• Bước 1: Xác định tọa độ đối tượng trên ảnh RGB 
2D. Bước này được hoàn thành bởi phương pháp 
nhận dạng ảnh và xác định tâm được mô tả phần 
trên; 
• Bước 2: Thu thập các điểm tương đối dựa trên tọa 
độ các điểm mục tiêu trên ảnh RGB 2D và chọn 
các tọa độ như A, B, và C. Tọa độ C là trọng tâm 
của 2 điểm A và B; 
• Bước 3: Lập bản đồ và thu thập thông tin 3D từ 
các điểm mẫu (A, B, và C) để tạo các 
điểm A′ , B′ và C′ tương ứng; 
• Bước 4: Tạo mặt phẳng dự đoán trong không gian 
3D dựa trên các điểm A′ , B′ và C′ (có cùng giá trị 
trục z) sử dụng phương pháp phân đoạn mặt 
phẳng; 
• Bước 5: Sử dụng các điểm A′ , B′ và C′ để tạo các 
điểm A′′ , B′′ và C′′ tương ứng trên mặt phẳng dự 
đoán; 
• Bước 6: Tạo hai vector C A′′ ′′
 
 và C B′′ ′′
 
; 
• Bước 7: Tạo vector pháp tuyến 1C N′′
 
 từ hai vector 
C A′′ ′′
 
và C B′′ ′′
 
; 
• Bước 8: Tạo thêm một vector pháp tuyến 2C N′′
 
từ 2 vector 1C N′′
 
và C B′′ ′′
 
. Dựng hệ tọa độ 
Descartes 1 2N B N′′ ; 
• Bước 9: Chiếu hệ tọa độ mục tiêu (container) lên 
hệ tọa độ camera để đạt được ma trận xoay. 
Cuối cùng, hệ thống đạt được thông tin chính xác 
về vị trí và hướng của container so với hệ tọa độ 
camera (Hình 10). Phép biến đổi của container đến 
camera được thể hiện dưới dạng ma trận đồng nhất 
0
CT (ma trận biến đổi từ camera đên đối tượng), 
11 12 13
21 22 23
0
31 32 330 1
0 0 0 1
x
yC
z
r r r t
r r r t
r r r t
 
    = =    
 
 
R t
T . (16) 
Hình 6. Xác định tâm đối tượng 
Hình 7. Sơ đồ nguyên lý ước lượng khoảng cách sử 
dụng camera đơn đến đối tượng 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
69 
Hình 8. Quy trình xây dựng hệ tọa độ để xác định ma trận xoay liên quan đến camera. 
Bảng 1. Kết quả đo đạc của hệ thống 
Tập ảnh Tập 1 Tập 2 Tập 3 Tổng 
Số lượng mẫu 28 29 28 85 
Sai lệch trung bình (cm) 1,1 0,82 0,76 0,89 
Sai số trung bình (%) 0,21 0,22 0,21 0,21 
Độ chính xác trung bình 
(%) 99,79 99,78 99,79 99,79 
Hình 9. Mối quan hệ giữa các điểm mục tiêu và 
camera. 
Hình 10. Kết quả xác định vị trí và hướng của 
container 
3. Kết quả nghiên cứu 
Để đánh giá hiệu quả của phương pháp đề nghị, 
chúng tôi cho tiến hành chạy hệ thống để đo khoảng 
cách từ hệ camera tới vị trí container với 85 giá trị, 
chia thành 3 tập dữ liệu tương ứng với 3 lần đo khác 
nhau, sau đó so sánh với kết quả thực tế đo được 
(Hình 11). Đồng thời tính toán sai số giữa giá trị 
khoảng cách của hệ thống đo được và thực tế (Hình 
12). Bảng số liệu tổng hợp được trình bày ở Bảng 1. 
Khoảng cách và góc lệch theo thời gian được thay đổi 
giá trị để đánh giá đáp ứng của hệ thống, kết quả được 
trình bày trong Hình 13 và Hình 14. 
Thực nghiệm được tiến hành trên máy tính 
nhúng của hãng Cincoze, dòng máy DS-1000 với 
model DS-1102 được trang bị bộ vi xử lý Intel® 
Core™ i5-6500 cho xung nhịp 3,2Ghz-3,6Ghz, RAM 
16GB, chạy hệ điều hành Window 10 và chương trình 
Visual Studio 2019 cùng mã nguồn mở OpenCV3.4.9. 
Ảnh được chụp theo chiều thẳng đứng từ trên cẩu trục 
xuống vị trí container bằng máy ảnh công nghiệp 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
70 
Basler Ace acA1920-40gc kết hợp với ống kính Basler 
f16mm trong điều kiện ánh sáng ban ngày bình 
thường. Các ảnh thu được sẽ được tiến hành xử lý về 
dạng ảnh jpeg với độ phân giải 1200x800. Hình 15 
minh họa kết quả thực nghiệm của hệ thống. 
Hình 11. Đồ thị so sánh kết quả đo được và thực tế 
Hình 12. Đồ thị biểu diễn kết quả sai số. 
Hình 13. Đáp ứng khoảng cách của hệ thống 
Hình 14. Đáp ứng góc lệch của hệ thống 
Hình 15. Kết quả thực nghiệm hệ thống. 
4. Kết luận 
Trong nghiên cứu này, chúng tôi đã đề xuất một 
giải thuật xử lý ảnh hiệu quả để phát hiện, xác định 
khoảng cách từ hệ camera đến vị trí container và góc 
lệch của marker đặt trên bề mặt container so với 
phương ngang. Kết quả của nghiên cứu này có thể là 
tiền đề để phát triển một hệ thống bốc dỡ container tự 
động. Kết quả thực nghiệm cho thấy độ chính xác 
trung bình của phương pháp đề xuất đạt được lên tới 
99.79%. Vì vậy, có thể áp dụng cho bài toán phát hiện, 
xác định khoảng cách từ hệ camera đến vị trí container 
và góc lệch của marker đặt trên bề mặt container so 
với phương ngang. 
Trong tương lai, chúng tôi sẽ tiến hành nghiên cứu, 
phân tích phương pháp đề xuất, từ đó cải tiến giải 
thuật để làm giảm thời gian xử lý cũng như tăng độ 
chính xác. Đồng thời tiến hành thiết kế, thử nghiệm 
mô hình bốc dỡ container tự động. 
Lời cảm ơn 
Nghiên cứu này được tài trợ bởi Quỹ phát triển 
khoa học và công nghệ quốc gia (NAFOSTED) trong 
đề tài mã số “107.01-2017.320”. 
Tài liệu tham khảo 
[1] Li Da Wei, Eung-Joo Lee. Real-Time Container Shape 
and Range Recognition for Implementation of 
Container Auto-Landing System. Journal of Korea 
Multimedia Society 12 (6), 2009, pp. 794-803. 
[2] Hee-Joo Yoon, Young-Chul Hwang, Eui-Young Cha. 
Real-time Container Position Estimation Method using 
Stereo Vision for Container Auto-Landing System. 
International Conference on Control, Automation and 
Systems, 2010, pp. 872-876. 
[3] Anh Viet Nguyen, Young-Yeol Cho, Eung-Joo Lee. 
Container Dimension Detection and 3D Modeling 
based on Stereo Vision. MIT, 2008, pp. 207-210. 
[4] Wang, Shikai. Color Image Segmentation based on 
Color Similarity. International Conference on 
Computational Intelligence and Software Engineering, 
2009, pp. 1-4. 
[5] Tse-Wei Chen, Yi-Ling Chen, Shao-Yi Chien, Fast 
Image Segmentation based on K-Means Clustering 
with Histograms in HSV Color Space, IEEE 10th 
Workshop on Multimedia Signal Processing, 2008, pp. 
322-325. 
JST: Engineering and Technology for Sustainable Development 
Vol. 1, Issue 2, April 2021, 065-071 
71 
[6] Rafael C. Gonzalez, Richard E. Woods, Digital Image 
Processing, Pearson Prentice Hall, 2008. 
[7] Van Otterloo, Peter J, A Contour Oriented Approach 
to Shape Analysis, New York Prentice Hall, 1991. 
[8] Chi Cuong Tran, Dinh Tu Nguyen, Hoang Dang Le, 
Trong Hieu Luu, Quoc Bao Truong. Designing the 
Yellow Head Virus Syndrome Recognition 
Application for Shrimp on an Embedded System. The 
Interdisciplinary Research Journal 6 (2), 2019, pp. 48-
63. 
[9] Kostas Daniilidis, Reinhard Klette, Imaging Beyond 
the Pinhole Camera, Springer, 2006.