По поводу сравнения картинок

from skimage.metrics import structural_similarity
import cv2

def orb_sim(img1, img2):
  orb = cv2.ORB_create()
  kp_a, desc_a = orb.detectAndCompute(img1, None)
  kp_b, desc_b = orb.detectAndCompute(img2, None)
  bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

  matches = bf.match(desc_a, desc_b)
  similar_regions = [i for i in matches if i.distance < 50]  
  if len(matches) == 0:
    return 0
  return len(similar_regions) / len(matches)


img1 = cv2.imread('test_img1.jpg', 0)
img2 = cv2.imread('test_img2.jpg', 0)
orb_similarity = orb_sim(img1, img2)
print(f"Фото схожи на:  {orb_similarity}")

Код достаточно хорошо работает с необработанными изображениями.
И по поводу распознавания текста, конечно можно, полно уже готовых решений, OpenCV и Гугл в помощь

Без кода элемента сложно сказать, но как вариант можно реализовать такой подход

for element in driver.find_elements(By.CLASS_NAME,  "your_class"):
     if element.value_of_css_property("color") == "red":
          element.click()

Как я понял вы ожидаете что D и A будут зажаты на 5 секунд.
На сколько я помню буквы нельзя зажать, но можно с имитировать зажатие.

import pyautogui
import time


def press_key(key: str, time: int):
    """
    key: Клавиша
    time: Время зажатия
    """
    amount_of_clicks = time // 0.03
    pyautogui.press(keys=key, presses=int(amount_of_clicks), interval=0.03)


time.sleep(5)

with pyautogui.hold('ctrl'):
    press_key("d", 5)
    time.sleep(0.5)
    press_key("a", 5)

Думаю хорошо подойдет spaCy, но хороших датасетов на Русском маловато будет, в основном новостные посты, а так NLP гуглите, или вот еще не плохие инструменты textacy, neuralcoref