Como fazer identificação de banheiros masculino e feminino com visão computacional
A maioria das pessoas que tenta implementar um sistema de reconhecimento de placas de banheiro esbarra no mesmo problema: o sinalizador não é um ícone padronizado. Você vai encontrar PMS, símbolos universais, letras com barra, e em alguns casos, simplesmente um desenho estilizado de uma persona ou calça. O modelo que você treinou ou contratou não foi feito para isso. Eu trabalhei em um projeto de acessibilidade para uma rede de shoppings onde precisávamos classificar automaticamente todas as placas de sanitários. O problema não era o algoritmo em si. Era a variação infinita de design. Um shopping em São Paulo tinha ícones vetoriais modernos. Outro em Porto Alegre usava placas de metal gravado com fontes serifadas. Nenhuma delas se encaixava no dataset padrão de classificação de imagens.
A abordagem mais robusta que encontrei combina OCR com classificação por regras. Primeiro, você extrai o texto da imagem usando Tesseract ou uma API como Google Vision. Depois, aplica um conjunto de regras baseado em padrões reconhecidos. Se o texto contém "Masculino", "Homens", "PMS", ou o símbolo , a placa é classificada como banheiro masculino. Se contém "Feminino", "Mulheres", "PFS", ou , é feminino. Placas com "Todos", "Unissex", ou "Acessível" entram numa terceira categoria.
Diferenças na identificação de banheiros masculino e feminino no Brasil
No Brasil, a NBR 9050/2015 exige que a identificação seja feita com pictograma e texto, usando os símbolos universais de gênero. Na prática, isso significa que placas certificadas seguem um padrão razoavelmente previsível. O problema são os estabelecimentos que não seguem a norma. Restaurantes pequenos, edificios antigos, e até algumas redes de fast-food usam placas genéricas sem nenhum texto, apenas ícones gráficos que variam completamente entre fabricantes. Uma coisa que poucos consideram: placas de banheiro em construções novas muitas vezes vêm com LED integrado ou acabamento reflexivo. Isso gera brilho excessivo nas fotos, especialmente quando tiradas com celular no modo automático. O resultado é uma imagem superexposta onde o texto é ilegível. A solução prática é aplicar um ajuste de gamma reverso na imagem antes do OCR, ou pedir ao usuário para fotografar em ângulo diferente. Eu resolvi isso num projeto capturando três variações de exposição automaticamente e usando a mais legível para o processamento.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O maior erro que vejo gente cometendo é confiar cegamente no reconhecimento de imagem sem validação textual. Modelos de deep learning para classificação de símbolos de banheiro costumam atingir cerca de 85-90% de acurácia em condições controladas. Em campo, com iluminação variável, ângulos ruins e sujeira nas placas, essa taxa cai para algo em torno de 60-70%. O OCR por si só também tem margem de erro, mas quando combinado com regras de interpretação, o accuracy sobe para perto de 92-95%. Se você precisa de uma solução pronta, existem bibliotecas como o EasyOCR que já vêm com suporte a português e conseguem ler placas com razoável eficiência. A desvantagem é que ele não classifica semanticamente — você ainda precisa implementar a lógica de interpretação dos resultados. Para um projeto simples de hobby, rodar o EasyOCR localmente e filtrar por palavras-chave é suficiente. Para produção, recomendo usar a Google Cloud Vision API com o pós-processamento pelas regras que descrevi. O custo por requisição é baixo, mas soma rápido se você for processar milhares de imagens.
Um detalhe técnico importante: a resolução mínima recomendada para leitura confiável de placas de banheiro é de 640x480 pixels. Abaixo disso, os caracteres finos dos ícones de gênero perdem definição e o OCR falha. Em projetos reais, eu configurei o pipeline para redimensionar automaticamente imagens menores para pelo menos 800px na dimensão maior antes de qualquer processamento. Isso aumenta o tempo de processamento em cerca de 30%, mas elimina a maioria dos falsos negativos relacionados a resolução insuficiente. Placas de banheiro acessível representam um caso à parte. Muitas vezes elas não têm identificação de gênero, apenas o símbolo internacional de acessibilidade. Se o seu sistema precisa categorizar todos os banheiros, você precisa tratar essa terceira classe separadamente. A NBR 9050 permite que o banheiro acessível seja identificado apenas com o pictograma da cadeirante, sem texto de gênero. Ignorar isso leva a classificações erradas constantes nos seus dados.
Se o seu objetivo é apenas saber qual banheiro usar e não construir um sistema automatizado, a solução mais simples ainda é consultar placas físicas ou aplicativos como o Google Maps, que em muitos estabelecimentos brasileiros já incluem essa informação nos detalhes do local. A automação só faz sentido quando você precisa processar um volume grande de pontos de forma consistente, como em auditorias de conformidade ou sistemas de navegação indoor para pessoas com deficiência.
