본 연구에서는 작물 이미지 데이터셋에 적합한 데이터 증강 기법으로 자연광 기반 증강을 제안하였다. NLA는 밝기, 색온 도, 대비 변화를 반영하여 실제 환경에서 발생 가능한 광조건 을 학습 데이터에 적용함으로써, 기존 YOLO 기본 증강 대비 더욱 현실적인 학습 데이터를 생성할 수 있도록 설계되었다. 참외와 딸기 데이터셋을 대상으로 한 실험 결과, NLA는 Baseline 대비 전반적인 성능 향상을 보였다. 또한 Baseline에 서 학습 후반부에 나타난 성능 저하나 불안정성이 NLA에서 는 완화되어, 제안 기법이 과적합 방지와 학습 안정성 유지에 도 효과적임을 입증하였다. PatchSwap은 Mosaic의 한계를 보완하기 위한 보조적 시도로 실험에 포함되었으나, 종합적 인 성능 향상에는 뚜렷한 기여를 하지 못하였다. 본 연구 결과는 작물 이미지에서 실제 광조건을 반영한 데 이터 증강의 필요성과 유효성을 보여주었으며, 이는 향후 다 양한 작물과 촬영 환경으로 확장 가능한 가능성을 제시한다. 앞으로는 NLA의 적용 범위를 확대하고, 다른 딥러닝 모델 및 추가적인 농업 데이터셋에 대한 성능 검증을 통해 본 기법의 범용성과 실효성을 더욱 강화할 필요가 있다.