Las grúas son equipos pesados fundamentales utilizados en la construcción de escenarios de líneas de transmisión. Identificar con precisión estas grúas y monitorear su estado es apremiante. El rápido desarrollo de la visión por computadora aporta nuevas ideas para resolver estos desafíos. Dado que las grúas tienen una alta relación de aspecto, las cajas delimitadoras horizontales convencionales contienen una gran cantidad de objetos redundantes, lo que deteriora la precisión de la detección de objetos. En este estudio, utilizamos un paradigma de detección de objetivos giratorios para detectar grúas. Proponemos el modelo YOLOv8-Crane, donde YOLOv8 sirve como red de detección para objetivos giratorios e incorporamos Transformadores en la estructura para mejorar el modelado del contexto global. La divergencia Kullback-Leibler (KLD) con excelente invarianza de escala se utiliza como función de pérdida para medir la distancia entre la distribución predicha y la verdadera. Finalmente, validamos la superioridad de YOLOv8-Crane en 1405 datos de escenas reales recopilados por nosotros mismos. Nuestro enfoque demuestra una mejora significativa en la detección de grúas y ofrece una nueva solución para mejorar el monitoreo de seguridad.