一、从产线误检说起上周产线上出了件怪事：一套部署了YOLOv5的视觉检测系统，连续三天在凌晨三点左右误将良品判为缺陷。现场工程师查遍了光照、机械振动、温湿度，甚至怀疑是电源干扰，最后发现有人工巡检员经过时，系统误检率就会飙升。我们调取日志分析，发现巡检员工服上的反光条在特定角度会形成高光区域——就是这个看似普通的光斑，让YOLO把正常的焊点认成了裂纹。这让我警觉起来：如果自然光斑就能干扰检测，那刻意设计的干扰图案呢？顺着这个思路做了几组实验，结果让人后背发凉——用手机生成一张精心设计的贴纸，贴在产品表面，YOLO竟然把整个产品类别都认错了。这就是今天要聊的对抗样本攻击。二、对抗样本究竟是什么简单说，对抗样本就是给输入图像加上人眼难以察觉的扰动，让模型产生严重误判。在分类任务里可能只是把猫认成狗，但在目标检测场景下，后果严重得多：该检出的目标消失（漏检）、不该检出的地方冒出新目标（误检）、目标类别被篡改……这些在工业质检、安防监控里都是要命的问题。关键点在于，这些扰动不是随机噪声。它们是通过计算梯度方向精心构造的，通常L2范数很小，人眼几乎看不出差异。下面这段代码演示了最基础的FGSM攻击在YOLO上的效果：defgenerate_fgsm_attack(model