본 논문은 딥러닝 기반 잡초 제거 시스템의 성능 향상을 위해 Stable Diffusion 기반의 inpainting을 이용한 데이터 증강 기법을 제안합니다. 제한된 훈련 데이터의 다양성과 온보드 연산의 제약을 극복하기 위해, 최대 200%까지 10%씩 증분적으로 훈련 데이터를 증강합니다. YOLOv11(l)과 RT-DETR(l) 두 가지 최첨단 객체 검출 모델에 대해 mAP50 지표를 사용하여 성능 평가를 수행하고, FP16 및 INT8 양자화 전략을 통해 추론 속도와 정확도 간의 균형을 모색합니다. Jetson Orin Nano 상에서의 배포를 통해 자원 제약 환경에서의 실용성을 검증하여, 지능형 잡초 관리 시스템의 검출 정확도와 계산 효율을 향상시킵니다.
