工业反应釜液面分离是根据釜内不同的液体状态实现液体分离,然后将分离后的液体用于工业产品的生产。目前实现液面分离的方式主要是通过人工手动操作,由于该方法效率较低且生产成本过高,由此本文提出了一套液面状态识别算法,该算法可以对工业反应釜内液体状态的变化快速准确地识别,从而实现工业反应釜液面分离。通过对工业反应釜中液面数据分析,将液面数据分成五种类别;本文采用了五种经典特征提取算法分别是LBP、HOG、LPQ、Haar和颜色直方图;分类器算法有SVM分类算法、随机森林分类算法和KNN分类算法。本文的研究内容如下:1.基于液面图像HOG特征的PCA降维分类模型研究。首先,HOG特征提取算法用于提取液面特征时,由于该算法提取得到的液面数据特征维度过高,因此使用PCA方法对HOG特征进行降维,然后将降维后的特征与LBP、LPQ、Haar特征提取算法形成的特征在三种分类器进行比较,得出PCA对HOG降维后特征在KNN分类器中识别率最高达93.15%,最后研究了PCA贡献率对HOG特征提取方法的影响。2.基于自适应阈值方式对颜色直方图特征提取算法的改进。首先,使用传统的颜色直方图特征提取算法获得256维的特征,但该特征在各类分类器中表现不佳,然后对上述256维的特征通过设置阈值的方式,得到256维的二值特征,使用本文中三种分类器算法对该二值特征识别分类时识别率提升明显,但是设置阈值大小对识别准确率影响很大,最后提出自适应阈值方式形成二值化特征。基于自适应阈值方式改进的颜色直方图特征提取算法在随机森林分类算法和SVM分类器算法中均具有很高的识别准确率,同时通过实验对比表明改进的颜色直方图特征提取算法不仅对所有液面状态数据识别有着很高的准确率,而且在较少训练数据情况下依旧保持着较高的识别准确率。