Con el rápido desarrollo de las tecnologías de ejemplos adversarios, se ha propuesto el concepto de parches adversarios, que pueden transferir con éxito los ataques adversarios al mundo real y engañar a los sistemas de detección de objetos inteligentes. Sin embargo, el entorno del mundo real es complejo y cambiante, y la tecnología de ataque con parches adversarios es susceptible a factores del mundo real, lo que resulta en una disminución en la tasa de éxito del ataque. Los algoritmos existentes de generación de parches adversarios tienen una única dirección de inicialización de parches y no consideran completamente el impacto de la diversificación inicial en su límite superior de ataque con parches adversarios. Por lo tanto, este documento propone una tecnología de generación de parches adversarios inicialmente diversificada para mejorar el efecto de los ataques de parches adversarios en los algoritmos subyacentes en el mundo real. El método utiliza YOLOv4 como modelo de ataque, y los resultados experimentales muestran que el efecto de ataque del método de ataque con parches adversarios propuesto en este documento es mayor que el 8.46% de referencia, y también tiene un efecto de ataque más fuerte y menos rondas de entrenamiento.