xmoonlight

1. Линк 1
2. Линк 2

Одна сеть - выдаёт один класс коэффициентов. Несколько - несколько.
При использовании нескольких с сумматором - конкретную ошибку в какой-либо отдельной сети установить очень сложно.
Гораздо лучше использовать подход:
"многоярусный адаптивный водопад" (с)2016, xmoonlight,
когда используя выходные данные одной сети (или нескольких параллельных), выбирается нужная ветка другой согласно какому-то условию (как правило, это абсолютный интервал выходных значений весов в текущем или предыдущем цикле в процентном соотношении относительно друг друга). В этом случае - отловить ошибку на любом этапе очень просто.

Да, возможно.
Системные затраты: нужен хороший CPU и ёмкий аккумулятор.
Реализуется с помощью определения границ цветовых областей через Гаусово размытие.
Необходимы некоторые знания для работы с нейро-алгоритмами для обучения.

Подготовка данных (для скорости манипулирования):
1. Контурная кластеризация. Чтобы были линии и белый фон; вычисление угла поворота в 2D-плоскости: (например) максимальное кол-во точек (образующих контур) от центра изображения до любого края по прямой должно быть сориентировано в левый верхний угол;
затем - "общий пиксель": матрица-1: 64x64.
2. Цветовая кластеризация. Чтобы были усредненные цвета областей (сетки) исходного изображения. Сначала вращаем на угол из п.1 и затем вычисляем средний общий цвет пикселей на секторе (если разбить длины исходного изображения по вертикали и горизонтали на 64 равных отрезка и соединить точки линиями, образующими мнимую сетку, и взять одну такую ячейку-прямоугольник) и получаем матрицу-2: 64x64.

Сравнение матриц или хешей матриц.

Если нейросеть - обучение:
3. Обучение сети по 2-м матрицам.

и поиск....

PS: при нулевом результате во время поиска можно использовать искажения 2D плоскости искомого изображения.. рекомендуемые отклонения: не более 5-7% от изначального.