Estudiar cómo están posicionados los objetos es vital para mejorar tecnologías como robots, cámaras y realidad virtual. En nuestros documentos anteriores, presentamos un sistema visual artificial bioinspirado para la detección de orientación, demostrando su superioridad sobre los sistemas tradicionales con mayores tasas de reconocimiento, mayor semejanza biológica y mayor resistencia al ruido. En este documento, proponemos un sistema de detección de orientación basado en hardware (ODS). El ODS se implementa mediante un modelo de neurona dendrítica múltiple (DNM), y se propone un esquema de poda neuronal para el DNM. Después de realizar la poda neuronal, solo se conservan las sinapsis en los estados de conexiones directas e inversas. Las primeras pueden ser realizadas por un comparador, y las segundas pueden ser reemplazadas por una combinación de un comparador y una compuerta lógica NOT. Para la función dendrítica, la conexión de sinapsis en dendritas puede ser realizada con compuertas lógicas AND. Luego, la salida de la neurona es equivalente a una compuerta lógica OR. En comparación con otros métodos de aprendizaje automático, este circuito lógico evita la aritmética de punto flotante y por lo tanto requiere muy pocos recursos informáticos para realizar una clasificación compleja. Además, el ODS puede ser diseñado basado en la experiencia, por lo que no se requiere un proceso de aprendizaje. La superioridad del ODS se verifica mediante experimentos en conjuntos de datos de imágenes binarias, en escala de grises y a color. La capacidad de procesar datos rápidamente gracias a ventajas como la computación paralela y la implementación de hardware simple hace que el ODS sea deseable en la era de los grandes datos. Cabe mencionar que los resultados experimentales se corroboran con estudios anatómicos, fisiológicos y neurocientíficos, lo que puede brindarnos una nueva visión para comprender las funciones complejas en el cerebro humano.