Определить области текста на скриншоте

Я работаю над проектом, чтобы повысить способность вина автоматически тестировать пакеты программного обеспечения. То, что я сейчас ищу, - это обнаружение текста при захвате экрана текущего окна. Затем я могу разобрать весь текст и использовать autohotkey, чтобы щелкнуть мышью по координатам текста, который я хочу.

Например, в firefox мне может понадобиться протестировать разные вещи, причем первые открывают открывающиеся настройки. Затем мне нужно было бы проанализировать скриншот firefox, обнаружить все отдельные местоположения текста. Затем я могу запустить эти отдельные изображения текста в tesseract-ocr и определить, какой из них говорит "Изменить". Затем я повторю это снова для "предпочтений".

Я пытался найти решение, но до сих пор ничего не могу найти. Я бы предпочел решение, которое использует python или связывает python как то, что я программировал до сих пор.