Con el crecimiento continuo de la demanda de electricidad, la seguridad y estabilidad de las líneas de transmisión se han vuelto cada vez más importantes. Para garantizar la fiabilidad del suministro eléctrico, es esencial detectar y abordar rápidamente las intrusiones de objetos extraños en las líneas de transmisión, como ramas de árboles, cometas y globos. Abordando los problemas donde los objetos extraños pueden causar cortes de energía y graves accidentes de seguridad, así como la ineficiencia, el consumo de tiempo y la intensidad laboral de los métodos de inspección manual tradicionales, especialmente en líneas de transmisión de energía a gran escala, proponemos un modelo mejorado basado en YOLOv8 para detectar objetos extraños. Este modelo incorpora el Swin Transformer, AFPN (Red de Pirámide de Características Asintótica) y una nueva función de pérdida, Focal SIoU, para mejorar tanto la precisión como la detección en tiempo real de peligros. La integración del Swin Transformer en la red base de YOLOv8 mejora significativamente las capacidades de extracción de características. El AFPN mejora el proceso de fusión de características a múltiples escalas, integrando efectivamente información de diferentes niveles y mejorando la precisión de detección, especialmente para objetos pequeños y ocultos. La introducción de la función de pérdida Focal SIoU optimiza el proceso de entrenamiento del modelo, mejorando su capacidad para manejar muestras difíciles de clasificar y predicciones inciertas. Este método logra una detección automática eficiente de objetos extraños al utilizar de manera integral la información de características de múltiples niveles y estrategias de coincidencia de etiquetas optimizadas. El conjunto de datos utilizado en este estudio consiste en imágenes de objetos extraños en líneas de transmisión de energía proporcionadas por una empresa de suministro eléctrico en Jilin, China. Estas imágenes fueron capturadas por drones, ofreciendo una vista completa de las líneas de transmisión y permitiendo la recopilación de datos detallados sobre varios objetos extraños. Los resultados experimentales muestran que la red YOLOv8 mejorada tiene altas tasas de precisión y recuperación en la detección de objetos extraños como globos, cometas y nidos de aves, además de poseer buenas capacidades de procesamiento en tiempo real.