El sistema visual humano es uno de los componentes más importantes del sistema nervioso, responsable de la percepción visual. La investigación sobre detección de orientación, en la cual las neuronas de la corteza visual responden solo a un estímulo de línea en una orientación particular, es una fuerza impulsora importante de la visión por computadora y la visión biológica. Sin embargo, el principio subyacente a la detección de orientación sigue siendo un misterio. Para resolver este misterio, primero proponemos un mecanismo completamente nuevo que explica la detección de orientación planar de manera cuantitativa. Primero, asumimos que existen neuronas detectives de orientación planar que responden solo a una orientación planar particular localmente y que estas neuronas detectan información de orientación planar local basada en interacciones no lineales que tienen lugar en las dendritas. Luego, proponemos una implementación de estas neuronas detectives de orientación planar local basada en sus cálculos dendríticos, las utilizamos para extraer la información de orientación planar local e inferimos la información de orientación planar global a partir de la información de orientación planar local. Además, basándonos en este mecanismo, proponemos un sistema visual artificial (SVA) para la detección de orientación planar y otro procesamiento de información visual. Para demostrar la efectividad de nuestro mecanismo y del SVA, realizamos una serie de experimentos en imágenes rectangulares que incluían rectángulos de varios tamaños, formas y posiciones. Las simulaciones por computadora muestran que el mecanismo puede realizar perfectamente la detección de orientación planar independientemente de sus tamaños, formas y posiciones en todos los experimentos. Además, comparamos el rendimiento tanto del SVA como de una red neuronal convolucional tradicional (CNN) en la detección de orientación planar y encontramos que el SVA superó completamente a la CNN en la detección de orientación planar en términos de precisión de identificación, resistencia al ruido, costo computacional y de aprendizaje, implementación en hardware y razonabilidad.