Con el rápido avance de los vehículos aéreos no tripulados (VANT) y el Internet de las Cosas (IoT), los IoT asistidos por VANT se han vuelto integrales en áreas como el monitoreo de la vida silvestre, la vigilancia de desastres y las operaciones de búsqueda y rescate. Sin embargo, estudios recientes han demostrado que estos sistemas son vulnerables a ataques de ejemplos adversariales durante la recolección y transmisión de datos. Estos ataques alteran sutilmente los datos de entrada para engañar a los sistemas de visión de aprendizaje profundo basados en VANT, comprometiendo significativamente la fiabilidad y seguridad de los sistemas IoT. En consecuencia, se han desarrollado varios métodos para identificar ejemplos adversariales dentro de las entradas del modelo, pero a menudo carecen de precisión contra ataques complejos como C&W y otros. Inspirándonos en la tecnología de visualización de modelos, observamos que las perturbaciones adversariales alteran notablemente los mapas de atribución de ejemplos limpios. Este artículo presenta un nuevo método de detección efectivo para sistemas de visión de VANT que utiliza mapas de atribución creados por técnicas de visualización de modelos. El método diferencia entre ejemplos genuinos y adversariales extrayendo sus mapas de atribución únicos y luego entrenando un clasificador en estos mapas. Los experimentos de validación en el conjunto de datos ImageNet mostraron que nuestro método logra una precisión promedio de detección del 99.58%, superando los métodos más avanzados.