Ces dernières années, diverses méthodes de détection d'ombres à partir d'une seule image ont été proposées et utilisées dans les systèmes de vision ; cependant, la plupart ne sont pas adaptées aux applications robotiques en raison de leur complexité temporelle coûteuse. Cet article présente une méthode rapide de détection d'ombres utilisant un cadre d'apprentissage profond, avec un coût temporel approprié pour les applications robotiques. Dans notre solution, nous obtenons tout d'abord une carte prédictive des ombres grâce à une machine à vecteurs de support multiclasses en utilisant des caractéristiques statistiques. Ensuite, nous utilisons un réseau neuronal convolutif (CNN) au niveau des patches, qui prend en compte le contexte sémantique et s'entraîne efficacement sur des exemples d'ombres en combinant l'image originale et la carte prédictive des ombres. Les expériences menées sur des jeux de données de référence montrent que la méthode proposée réduit considérablement la complexité temporelle de la détection d'ombres, d'un ou deux ordres de grandeur par rapport aux méthodes les plus avancées actuellement disponibles, sans compromettre la précision.