1.一种图像模型检测方法，其特征在于，所述方法包括：获取原始图像样本；

将所述原始图像样本输入训练好的主流图像分类模型；

使用所述主流图像分类模型，基于动量的梯度迭代算法，对所述原始图像样本进行对抗攻击，获得对抗图像，包括：使用所述主流图像分类模型，基于动量的梯度迭代算法，计算扰动量；对所述扰动量进行卷积平滑处理；在所述原始图像上增加处理后的所述扰动量，获得对抗图像；其中，所述基于动量的梯度迭代算法的公式如下：x′t+1＝x′t+∈·clip[‑10，10]gt+1其中，g是指扰动量，gt是指第t次迭代的扰动量，μ是指动量系数用于控制更改的噪声，Jθ(x′t，y)是指将x′t,y输入至模型函数Jθ(x，y)并计算交叉熵后即可获得l，l是指主流图像分类模型的倒数第二层全连接层的输出结果与原始图像样本的类别之间的交叉熵损失值，则是求解每个像素延梯度方向更改的大小除以其扰动的方差，用于计算扰动量，x′t+1则是指原始图像样本增加了第t次迭代扰动的结果，∈指扰动系数，用于控制添加扰动的图像与原始图像样本之间的差别，clip[‑10，10]gt+1用于将gt+1裁减至[‑10,10]的范围；

获取待检测图像模型对所述原始图像样本进行识别后获得的第一识别结果，以及获取所述待检测图像模型对所述对抗图像进行识别后获得的第二识别结果；

判断所述第一识别结果与所述第二识别结果是否一致；

若所述第一识别结果与所述第二识别结果一致，确定所述待检测图像模型针对所述对抗图像的识别成功。

2.根据权利要求1所述的方法，其特征在于，所述获取待检测图像模型对所述原始图像样本进行识别后获得的第一识别结果，以及获取所述待检测图像模型对所述对抗图像进行识别后获得的第二识别结果之前，所述方法还包括：从用户端设备获取需要进行模型检测的待检测图像模型；

安装所述待检测图像模型；

将所述原始图像样本以及所述对抗图像分别输入至所述待检测图像模型。

3.根据权利要求1所述的方法，其特征在于，所述使用所述主流图像分类模型，基于动量的梯度迭代算法，对所述原始图像样本进行对抗攻击，获得对抗图像之后，所述方法还包括：将携带有所述原始图像样本以及所述对抗图像的识别请求发送至用户端设备，其中，所述用户端设备安装有待检测图像模型，由所述用户端设备上的所述待检测图像模型对所述原始图像样本进行识别，获得第一识别结果，以及对所述对抗图像进行识别，获得第二识别结果。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：若所述第一识别结果与所述第二识别结果不一致，确定所述待检测图像模型发生误判；

统计所述待检测图像模型发生误判的数量；

根据所述数量以及所述原始图像样本的总数量，计算所述待检测图像模型的准确率；

根据所述准确率，确定所述待检测图像模型的安全等级。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取原始图像样本之前，所述方法还包括：从需要进行模型检测的用户端设备获取训练样本；

提取所述训练样本的样本特征；

将所述样本特征输入开源模型框架中进行训练，获得训练好的主流图像分类模型。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取原始图像样本之后，所述方法还包括：对所述原始图像样本进行图片增强处理；

将经过图片增强处理后的所述原始图像样本输入训练好的主流图像分类模型。

7.一种用于实现如权利要求1所述的图像模型检测方法的图像模型检测装置，其特征在于，所述装置包括：第一获取模块，用于获取原始图像样本；

输入模块，用于将所述原始图像样本输入训练好的主流图像分类模型；

生成模块，用于使用所述主流图像分类模型，基于动量的梯度迭代算法，对所述原始图像样本进行对抗攻击，获得对抗图像；

第二获取模块，用于获取待检测图像模型对所述原始图像样本进行识别后获得的第一识别结果，以及获取所述待检测图像模型对所述对抗图像进行识别后获得的第二识别结果；

判断模块，用于判断所述第一识别结果与所述第二识别结果是否一致；

确定模块，用于若所述第一识别结果与所述第二识别结果一致，确定所述待检测图像模型针对所述对抗图像的识别成功。

8.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至6中任意一项所述的图像模型检测方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述的图像模型检测方法。