In den letzten Jahren wurden verschiedene Schatten-Erkennungsverfahren aus einem einzelnen Bild vorgeschlagen und in visuellen Systemen eingesetzt; jedoch sind die meisten dieser Verfahren aufgrund der hohen Rechenkomplexität nicht für roboter technische Anwendungen geeignet. Dieses Papier stellt eine schnelle Schatten-Erkennungsmethode vor, die ein tiefes Lernframework verwendet und eine Rechenzeit aufweist, die für roboter technische Anwendungen angemessen ist. In unserer Lösung erstellen wir zunächst eine Schatten-Vorwahrscheinlichkeitskarte mithilfe eines mehrklassigen Support Vector Machines unter Verwendung statistischer Merkmale. Danach nutzen wir ein semantikbasiertes Patch-Level Convolutional Neural Network (CNN), das durch die Kombination des Originalbildes und der Schatten-Vorwahrscheinlichkeitskarte effizient auf Schattensexemplaren trainiert wird. Experimente mit Benchmark-Datensätzen zeigen, dass das vorgeschlagene Verfahren die Rechenkomplexität der Schatten-Erkennung um einen oder zwei Größenordnungen reduziert, verglichen mit den besten bisher bekannten Methoden, ohne an Genauigkeit zu verlieren.