本公开涉及基片检查装置、基片检查系统和基片检查方法。
背景技术
专利文献1公开了一种基片处理系统中的晶圆的检查方法，其中该基片处理系统包括对晶圆实施处理的多个处理装置。该检查方法中，拍摄由处理装置实施处理前的晶圆的表面来取得第一基片图像，并从第一基片图像提取特征量。接着，从存储有多个作为缺陷检查基准的基准图像的存储部中选择与从第一基片图像提取出的特征量对应的基准图像，其中，多个基准图像是分别对应于不同范围的特征量而设定的。然后，对由处理装置实施处理后的基片的表面进行拍摄来取得第二基片图像，基于所选择的基准图像和第二基片图像判断晶圆有无缺陷。
现有技术文献
专利文献
专利文献1：日本特开2016-212008号公报
技术实现要素：
发明要解决的技术问题
本公开涉及的技术的目的在于，在对检查对象基片进行拍摄而得到拍摄图像从而基于该拍摄图像实施的缺陷检查中，进一步提高缺陷检测精度。
解决问题的技术手段
本公开的一个方面提供一种对基片进行检查的基片检查装置，包括：取得部，其基于图像估计模型和经基片处理装置处理前的检查对象基片的拍摄图像，取得经所述基片处理装置处理后的所述检查对象基片的估计图像，其中，所述图像估计模型是使用多个基片各自的经所述基片处理装置处理前的拍摄图像和处理后的拍摄图像通过机器学习而生成的；和判断部，其基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像和所述估计图像，判断该检查对象基片有无缺陷。
发明效果
采用本公开，在对检查对象基片进行拍摄而得到拍摄图像从而基于该拍摄图像实施的缺陷检查中，能够进一步提高缺陷检测精度。
附图说明
图1是示意性地表示本实施方式的基片检查系统的概略结构的图。
图2是示意性地表示各基片处理系统的概略结构的俯视图。
图3是示意性地表示各基片处理系统的内部概略结构的主视图。
图4是示意性地表示各基片处理系统的内部概略结构的后视图。
图5是表示检查用摄像装置的概略结构的纵剖视图。
图6是表示检查用摄像装置的概略结构的横剖视图。
图7是示意性地表示摄像控制装置和整体控制装置的与基片检查相关的概略结构的框图。
图8是用于说明现有的缺陷检查之一例的概念图。
图9是用于说明本实施方式的缺陷检查之一例的概念图。
图10是按图像的每个部分表示实际的拍摄图像的像素值与估计图像的像素值的关系的图，其中表示了整个晶圆。
图11是按图像的每个部分表示实际的拍摄图像的像素值与估计图像的像素值的关系的图，其中仅表示了晶圆中央部。
图12是按图像的每个部分表示实际的拍摄图像的像素值与其他的估计图像的像素值的关系的图，其中表示了整个晶圆。
图13是按图像的每个部分表示实际的拍摄图像的像素值与其他的估计图像的像素值的关系的图，其中仅表示了晶圆中央部。
图14是表示整体控制装置的其他例子的概略结构的框图。
图15是表示使用泽尼克多项式将像素值的平面分布分解为像素值的多个面内趋势成分后的状态的说明图。
图16是表示晶圆面内的各像素的像素值的说明图。
图17是在晶圆面内的高度方向上表示晶圆面内的各像素值的说明图。
图18是表示由选择部进行的模型生成用的拍摄图像对的选择处理的流程的图。
图19是用于说明马哈拉诺比斯距离的图。
图20是概念性地表示异常度的计算方法的图。是表示整体控制装置的其他例子的概略结构的框图。
图21是说明马哈拉诺比斯距离的计算方法之另一例的图。
具体实施方式
在半导体器件等的制造工序中，依次进行在半导体晶圆(下称“晶圆”)上涂覆抗蚀剂液来形成抗蚀剂膜的抗蚀剂涂覆处理、使抗蚀剂膜曝光的曝光处理和对曝光后的抗蚀剂膜进行显影的显影处理等，在晶圆上形成抗蚀剂图案。然后，在抗蚀剂图案的形成处理后，进行以该抗蚀剂图案作为掩模的蚀刻对象层的蚀刻等，在该蚀刻对象层上形成预先确定的图案。此外，在形成抗蚀剂图案时，有时还在抗蚀剂膜的下层形成抗蚀剂膜以外的膜。
另外，在如上所述形成抗蚀剂图案时或使用抗蚀剂图案进行蚀刻时，有时要对各种处理后的晶圆进行缺陷检查。在该缺陷检查中，例如检查是否恰当地形成了抗蚀剂图案、是否有异物附着于晶圆等。近年来，在该缺陷检查中有时会使用对处理后的检查对象晶圆的表面进行拍摄而得到的拍摄图像。该情况下，通过将检查对象晶圆的拍摄图像与作为检查基准的基准图像比较来进行缺陷检查。
但是，在处理后的检查对象晶圆的拍摄图像中，受到处理前的检查对象晶圆的表面的状态、即检查对象晶圆的基底表面的状态等的影响，会产生不均(斑块)。另外，由于处理环境在晶圆间不一致，因此上述不均的状态按每个晶圆而不同，例如，即使在相同的处理条件下在晶圆的防反射膜上正常地形成了抗蚀剂膜，抗蚀剂膜形成后的晶圆的拍摄图像中产生的不均也按每个晶圆而不同。需要采取措施以不将该不均误判为缺陷。
专利文献1公开了，从分别对应于不同范围的特征量而设定并存储于存储部的、多个作为缺陷检查基准的基片图像中，选择与从第一基片图像提取出的特征量对应的基片图像，其中第一基片图像是对处理前的晶圆的表面进行拍摄而取得的。在专利文献1中，基于所选择的基片图像和对处理后的基片的表面进行拍摄而取得的第二基片图像，来判断晶圆有无缺陷。
在存在上述不均的情况下，与使用像专利文献1那样选择出的基片图像而实施的缺陷检查相比，有时要求更高的缺陷检测精度。
为此，本公开涉及的技术的目的在于，在对检查对象基片进行拍摄而得到拍摄图像从而基于该拍摄图像实施的缺陷检查中，进一步提高缺陷检测精度。
下面，参照附图对本实施方式的基片检查装置、基片检查系统和基片检查方法进行说明。在本说明书和附图中，对于实质上具有相同功能结构的要素，标注相同标记以省略重复的说明。
图1是示意性地表示本实施方式的基片检查系统的概略结构的图。
如图所示，基片检查系统1包括多个基片处理系统10和整体控制装置20。另外，基片检查系统1所具有的基片处理系统10的台数也可以是1个。
各基片处理系统10用于对作为基片的晶圆进行处理，在本例中，对晶圆进行用于在晶圆上形成抗蚀剂图案的处理等。
图2是示意性地表示各基片处理系统10的概略结构的俯视图。图3和图4是示意性地表示各基片处理系统10的内部概略结构的图，分别为主视图和后视图。
如图2所示，各基片处理系统10包括匣盒站100和处理站101，其中，匣盒站100用于进行收纳有多片晶圆W的匣盒C的搬入搬出，处理站101包括对晶圆W实施预定的处理的多个处理装置。各基片处理系统10具有由匣盒站100、处理站101和接口站103连接为一体的结构，其中，接口站103在其与处理站101的相邻的曝光装置102之间进行晶圆W的交接。
在匣盒站100设置有匣盒载置台110。匣盒载置台110设置有多个匣盒载置板111，在相对于基片处理系统10的外部搬入搬出匣盒C时用于载置匣盒C。
匣盒站100设置有可在沿X方向延伸的搬运路线112上自由移动的晶圆搬运装置113。晶圆搬运装置113在上下方向和绕铅垂轴的方向(θ方向)上也可自由移动，能够在各匣盒载置板111上的匣盒C与后述处理站101的第三区块G3的交接装置之间搬运晶圆W。
处理站101设置有包括各种装置的多个例如4个区块，即第一区块G1～第四区块G4。例如，在处理站101的正面侧(图2的负X方向侧)设置有第一区块G1，在处理站101的背面侧(图2的正X方向侧，图中的上侧)设置有第二区块G2。另外，在处理站101的匣盒站100侧(图2的负Y方向侧)设置有第三区块G3，在处理站101的接口站103侧(图2的正Y方向侧)设置有第四区块G4。
第一区块G1中排列有使用处理液对晶圆W进行处理的作为基片处理装置的液体处理装置。具体而言，在第一区块G1中，作为液体处理装置如图3所示，例如从下方依次配置有显影处理装置120、下层膜形成装置121、中间层膜形成装置122、抗蚀剂涂覆装置123。
显影处理装置120对晶圆W进行显影处理。具体而言，显影处理装置120向晶圆W的抗蚀剂膜上供给显影液，形成抗蚀剂图案。
下层膜形成装置121用于形成下层膜作为晶圆W的抗蚀剂膜的基底膜。具体而言，下层膜形成装置121将用于形成下层膜的材料即下层膜材料涂覆在晶圆W上，形成下层膜。下层膜例如是SOC(旋涂碳)膜。
中间层膜形成装置122在晶圆W的下层膜上且在抗蚀剂膜的下方的位置形成中间层膜。具体而言，中间层膜形成装置122在晶圆W的下层膜上涂覆用于形成中间层膜的材料即中间层膜材料，形成中间层膜。中间层膜例如是SOG(旋涂玻璃)膜。
抗蚀剂涂覆装置123在晶圆W上涂覆抗蚀剂液来形成抗蚀剂膜。具体而言，抗蚀剂涂覆装置123在晶圆W的中间层膜上涂覆抗蚀剂液，形成抗蚀剂膜。
例如，显影处理装置120、下层膜形成装置121、中间层膜形成装置122、抗蚀剂涂覆装置123分别在水平方向上排列配置有3个。另外，这些显影处理装置120、下层膜形成装置121、中间层膜形成装置122、抗蚀剂涂覆装置123的数量、配置能够任意地选择。
在这些显影处理装置120、下层膜形成装置121、中间层膜形成装置122、抗蚀剂涂覆装置123中，例如通过旋涂法将预先确定的处理液涂覆在晶圆W上。在旋涂法中，例如从涂覆喷嘴向晶圆W上喷出处理液，并且使晶圆W旋转，使处理液扩散到晶圆W的表面。
在第二区块G2中，在上下方向和水平方向上排列设置有热处理装置130，该热处理装置130是使用用于载置晶圆W的加热板或冷却板进行晶圆W的加热或冷却等热处理的基片处理装置。这些热处理装置130的数量、配置能够任意地选择。另外，热处理装置130可以分别使用公知的装置。
在第三区块G3中，从下方依次设置有多个交接装置140、141、142、143、144，并在其上从下方依次设置有检查用摄像装置145、146、147。另外，在第四区块G4中，从下方依次设置有多个交接装置150、151、152，并在其上设置有检查用摄像装置153、154。
在此，对检查用摄像装置145的结构进行说明。
图5和图6分别是表示检查用摄像装置145的概略结构的纵剖视图和横剖视图。
如图5和图6所示，检查用摄像装置145具有外壳200。在外壳200内设置有用于载置晶圆W的载置台201。该载置台201可在电动机等旋转驱动部202的作用下旋转、停止。在外壳200的底面，设置有从外壳200内的一端侧(图6中的负X方向侧)延伸至另一端侧(图6中的正X方向侧)的导轨203。载置台201和旋转驱动部202设置在导轨203上，能够通过驱动装置204沿着导轨203移动。
在外壳200内的另一端侧(图6的正X方向侧)的侧面设置有摄像部210。摄像部210例如使用广角型的CCD照相机。
在外壳200的上部中央附近设置有半反镜211。半反镜211在与摄像部210相对的位置设置于这样的状态，即，自镜面冲着铅垂下方的状态起，朝向摄像部210的方向，向上方倾斜了45度。半反镜211的上方设置有照明装置212。半反镜211和照明装置212被固定在外壳200内部的上表面。来自照明装置212的照明光通过半反镜211向下方照射。从而，由位于照明装置212下方的物体反射的光会在半反镜211上进一步反射后被摄像部210捕获。即，摄像部210能够拍摄位于照明装置212的照射区域的物体。并且，摄像部210的拍摄结果被输入到后述的摄像控制装置251。
另外，检查用摄像装置146、147、153、154的结构与上述检查用摄像装置145的结构相同。
回到使用图2至图4的各基片处理系统10的说明。
如图2所示，在被第一区块G1～第四区块G4所包围的区域中形成有晶圆搬运区域D。晶圆搬运区域D中配置有多个晶圆搬运装置160，各晶圆搬运装置160具有可在Y方向、X方向、θ方向和上下方向上自由移动的搬运臂160a。晶圆搬运装置160能够在晶圆搬运区域D内移动，将晶圆W搬运到周围的第一区块G1、第二区块G2、第三区块G3和第四区块G4内的所要求的装置中。
另外，如图4所示，在晶圆搬运区域D中设置有在第三区块G3与第四区块G4之间直线搬运晶圆W的往复搬运装置170。
往复搬运装置170例如可在图4的Y方向上直线移动。往复搬运装置170能够在支承着晶圆W的状态下沿Y方向移动，在第三区块G3的交接装置142与第四区块G4的交接装置152之间搬运晶圆W。
如图2所示，在第三区块G3的正X方向侧的相邻位置设置有晶圆搬运装置180。晶圆搬运装置180例如具有可在X方向、θ方向和上下方向上移动的搬运臂180a。晶圆搬运装置180能够在支承着晶圆W的状态下上下移动，将晶圆W搬运到第三区块G3内的各交接装置中。
接口站103设置有晶圆搬运装置190和交接装置191。晶圆搬运装置190例如具有可在Y方向、θ方向和上下方向上移动的搬运臂190a。晶圆搬运装置190例如能够将晶圆W支承在搬运臂190a上，在第四区块G4内的各交接装置、交接装置191和曝光装置102之间搬运晶圆W。
另外，基片处理系统10中设置有搬运/工艺控制装置250和作为基片检查装置的摄像控制装置251。
搬运/工艺控制装置250(下面有时称作“主控制装置250”)例如是包括CPU、存储器等的计算机，具有程序存储部(未图示)。在该程序存储部中存储有用于控制上述各种处理装置、搬运装置等驱动系统的动作，对晶圆W进行各种处理的程序。上述程序也可以记录在计算机可读取的存储介质中，并从该存储介质安装到主控制装置250。程序的一部分或全部也可以通过专用硬件(电路板)来实现。
摄像控制装置251与主控制装置250同样，例如是包括CPU、存储器等的计算机，具有程序存储部(未图示)。在该程序存储部中存储有程序，该程序对各检查用摄像装置的摄像部、驱动系统的动作进行控制，对与基片检查相关的处理进行控制。上述程序也可以记录在计算机可读取的存储介质中，并从该存储介质安装到摄像控制装置251。程序的一部分或全部也可以通过专用硬件(电路板)来实现。
回到使用图1的基片检查系统1的说明。
如上所述，基片检查系统1包括整体控制装置20。
整体控制装置20例如是包括CPU、存储器等的计算机，具有程序存储部(未图示)。在该程序存储部中存储有用于生成后述图像估计模型的程序。上述程序也可以记录在计算机可读取的存储介质中，并从该存储介质安装到整体控制装置20。程序的一部分或全部也可以通过专用硬件(电路板)来实现。
图7是示意性地表示与基片检查相关的摄像控制装置251和整体控制装置20的概略结构的框图。
如图所示，整体控制装置20包括存储部301和模型生成部302。
存储部301存储各种信息。该存储部301中存储有晶圆W的拍摄图像，其是在各基片处理系统10中由检查用摄像装置的摄像部210对晶圆W进行拍摄并根据拍摄结果而取得的。另外，为了便于理解，下文中只要没有特别说明，拍摄图像和后述的估计图像都假定是灰度图像。但是，这些图像也可以是R成分、G成分以及B成分中的至少任意1个图像。各拍摄图像关联有所拍摄的晶圆W的识别信息、在所拍摄的晶圆W的处理中使用的处理装置的识别信息等。
在模型生成部302中，使用多个晶圆W各自的经基片处理系统10进行所要求的处理前的拍摄图像和上述所要求的处理后的拍摄图像(下面有时称作“经基片处理系统10处理前后的拍摄图像对”)，通过机器学习来生成图像估计模型。图像估计模型是用于根据经基片处理系统10进行所要求的处理前的检查对象晶圆W的拍摄图像，来估计经基片处理系统10进行所要求的处理后的检查对象晶圆W的拍摄图像的模型。换言之，图像估计模型是用于根据上述处理前的检查对象晶圆W的拍摄图像生成上述处理后的检查对象晶圆W的估计图像的模型。
生成图像估计模型所使用的机器学习例如是基于条件生成式对抗网络(Conditional GAN(Generative Adversarial Networks))的机器学习，更具体而言，是pix2pix。
另外，图像估计模型例如是在条件生成式对抗网络或pix2pix中对输入的任意图像进行转换而生成假图像的生成网络(Generator)。
在条件生成式对抗网络或pix2pix中，作为神经网络，除了上述生成网络以外还使用识别网络(Discriminator)。识别网络以任意的图像和与该任意的图像对应的真图像为输入，或以任意的图像和基于该任意的图像由生成网络生成的假图像为输入，识别与该任意的图像一起输入的图像是真图像还是假图像。
并且，在基于条件生成式对抗网络的机器学习或pix2pix中，针对识别网络，进行识别方法的学习以使得上述识别能够正确进行，并且，针对生成网络，进行图像转换方法的学习以使得在识别网络中假图像被识别为是真图像。
在模型生成部302中，作为用于输入到识别网络的上述任意的图像和与该任意的图像对应的真图像的图像对，使用经基片处理系统10处理前后的拍摄图像对。
模型生成部302生成的图像估计模型被发送到基片处理系统10的摄像控制装置251。
摄像控制装置251包括存储部311、拍摄图像取得部312、估计图像取得部313和判断部314。
存储部311存储各种信息。在该存储部311中，例如存储由整体控制装置20的模型生成部302生成的图像估计模型。
拍摄图像取得部312基于检查用摄像装置145、146、147、153、154的摄像部210对晶圆W的拍摄结果，取得晶圆W的拍摄图像。具体而言，拍摄图像取得部312对摄像部210拍摄到的图像实施必要的图像处理，由此，生成表示该晶圆W的整个表面的状态的图像作为晶圆W的拍摄图像。
该拍摄图像取得部312取得经基片处理系统10进行所要求的处理前和上述所要求的处理后的检查对象晶圆W的拍摄图像，另外，取得上述所要求的处理前和所要求的处理后的检查对象晶圆W的拍摄图像之中的、用于生成图像估计模型的拍摄图像。
估计图像取得部313基于由拍摄图像取得部312取得的、经基片处理系统10进行所要求的处理前的检查对象晶圆W的拍摄图像，和存储在存储部311中的图像估计模型，生成并取得上述所要求的处理后的检查对象晶圆W的估计图像。此外也可以是，由整体控制装置20使用图像估计模型生成上述所要求的处理后的检查对象晶圆W的估计图像，并由估计图像取得部313取得该生成的估计图像。
判断部314基于由拍摄图像取得部312取得的、经基片处理系统10进行所要求的处理后的检查对象晶圆W的拍摄图像，判断该检查对象晶圆W有无缺陷。尤其是，判断部314基于由拍摄图像取得部312取得的上述所要求的处理后的检查对象晶圆W的拍摄图像，和由估计图像取得部313取得的上述所要求的处理后的检查对象晶圆W的估计图像，来判断该检查对象晶圆W有无缺陷。具体而言，判断部314对上述所要求的处理后的检查对象晶圆W的拍摄图像与上述所要求的处理后的检查对象晶圆W的估计图像进行比较，基于比较结果，判断该检查对象晶圆W有无缺陷。更具体而言，判断部314基于上述所要求的处理后的检查对象晶圆W的拍摄图像与上述所要求的处理后的检查对象晶圆W的估计图像之间的差，判断该检查对象晶圆W有无缺陷。
接着说明在如上所述构成的各基片处理系统10中进行的晶圆W的处理方法和晶圆W的检查方法。在以下的说明中，虽然在3个以上的时刻进行晶圆W的拍摄，但针对基于晶圆W的拍摄图像而实施的缺陷检查，仅进行基于抗蚀剂图案形成后的晶圆W的拍摄图像而实施的缺陷检查。另外，在下述对晶圆W的处理、晶圆W的检查之前，假定已完成了要在上述缺陷检查中使用的、针对抗蚀剂图案形成后的晶圆W的图像估计模型的机器学习。该图像估计模型例如是基于各基片处理系统10中形成晶圆W的抗蚀剂膜之后(即抗蚀剂图案形成前)的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W而生成的。
首先，将收纳有多个晶圆W的匣盒C搬入匣盒站100。然后，在主控制装置250的控制下，将匣盒C内的晶圆W搬运到第三区块G3的检查用摄像装置145。然后，在摄像控制装置251的控制下，由摄像部210对形成下层膜等各种膜之前的、即初始状态的晶圆W进行拍摄，并通过拍摄图像取得部312取得该初始状态的晶圆W的拍摄图像。
接着，在主控制装置250的控制下，将晶圆W搬运到第一区块G1的下层膜形成装置121，在晶圆W上形成下层膜。
然后，将晶圆W搬运到第二区块G2的下层膜用的热处理装置130，进行下层膜的加热处理。
之后将晶圆W搬运到检查用摄像装置153。然后，在摄像控制装置251的控制下，由摄像部210对下层膜形成后的晶圆W进行拍摄，并取得该下层膜形成后的晶圆W的拍摄图像。
接着，在主控制装置250的控制下，将晶圆W搬运到第一区块G1的中间层膜形成装置122，在晶圆W的下层膜上形成中间层膜。
然后，将晶圆W搬运到第二区块G2的中间层用的热处理装置130，进行中间层膜的加热处理。
之后将晶圆W搬运到检查用摄像装置146。然后，在摄像控制装置251的控制下，由摄像部210对中间层膜形成后的晶圆W进行拍摄，并通过拍摄图像取得部312取得该中间层膜形成后的晶圆W的拍摄图像。
接着，在主控制装置250的控制下，将晶圆W搬运到第一区块G1的抗蚀剂涂覆装置123，在晶圆W的中间层膜上形成抗蚀剂膜。
然后，将晶圆W搬运到第二区块G2的PAB处理用的热处理装置130，进行PAB处理。
之后将晶圆W搬运到检查用摄像装置153。然后，在摄像控制装置251的控制下，由摄像部210对抗蚀剂膜形成后的晶圆W进行拍摄，并通过拍摄图像取得部312取得该抗蚀剂膜形成后的晶圆W的拍摄图像。
接着，在主控制装置250的控制下，将晶圆W搬运到曝光装置102，曝光成所要求的图案。
然后，将晶圆W搬运到第二区块G2的PEB处理用的热处理装置130，进行PEB处理。
接着，将晶圆搬运到第一区块G1的显影处理装置120进行显影处理，在该晶圆W上形成抗蚀剂图案。
之后将晶圆W搬运到检查用摄像装置147。然后，在摄像控制装置251的控制下，由摄像部对抗蚀剂图案形成后的晶圆W进行拍摄，并通过拍摄图像取得部312取得该抗蚀剂图案形成后的晶圆W的拍摄图像。
接着，基于拍摄图像取得部312取得的抗蚀剂图案形成后的晶圆W的拍摄图像，判断抗蚀剂图案形成后的晶圆有无缺陷。具体而言，基于抗蚀剂膜形成后(即抗蚀剂图案形成前)的晶圆W的拍摄图像，和预先生成的针对抗蚀剂图案形成后的晶圆W的图像估计模型，由估计图像取得部313生成抗蚀剂图案形成后的晶圆W的估计图像。然后，通过判断部314，基于抗蚀剂图案形成后的晶圆W的拍摄图像和上述估计图像，判断抗蚀剂图案形成后的晶圆W(即检查对象晶圆W)有无缺陷。
在该有无缺陷的判断中，例如针对抗蚀剂图案形成后的晶圆W，对拍摄图像与估计图像进行比较，将两图像的像素值存在阈值以上的差的部分判断为存在缺陷的部分，将除此以外的部分判断为没有缺陷的部分。
另外，在进行上述判断时，如果尚未完成针对抗蚀剂图案形成后的晶圆W的图像估计模型的生成，则采用与现有技术同样的方法判断该晶圆W有无缺陷。另外，如果上述估计模型的生成尚未完成，则将关于该晶圆W的、抗蚀剂膜形成后的拍摄图像和抗蚀剂图案形成后的拍摄图像输入到整体控制装置20的模型生成部302，来推进上述模型的机器学习。
当上述判断结束即缺陷检查结束时，使晶圆W在主控制装置250的控制下返回匣盒C，结束对该晶圆W的处理。上述处理也对其他晶圆W进行。
如上所述，本实施方式中使用了图像估计模型，该图像估计模型是使用多个晶圆W各自的经基片处理系统10进行所要求的处理前的拍摄图像和上述所要求的处理后的拍摄图像，通过机器学习而生成的。该图像估计模型是用于根据经基片处理系统10进行所要求的处理前的晶圆W的拍摄图像，来生成上述所要求的处理后的晶圆W的估计图像的模型。在本实施方式中，基于上述图像估计模型和上述所要求的处理前的检查对象晶圆W的拍摄图像，生成并取得上述所要求的处理后的检查对象晶圆W的估计图像。然后，基于针对上述所要求的处理后的检查对象晶圆W实际取得的拍摄图像和上述估计图像，判断该检查对象晶圆W有无缺陷。即，基于适合于每个检查对象晶圆W的、作为缺陷检查基准的基准图像，来判断检查对象晶圆有无缺陷。因此，能够提高缺陷检测精度。具体而言，由于作为缺陷检查基准的基准图像是基于上述图像估计模型而生成的估计图像，因此对于所要求的处理后的检查对象晶圆W来说，在拍摄图像与估计图像即基准图像中，不均是大致相同的。从而，由于不均被检测为缺陷的可能性降低，因此能够提高缺陷检测精度。即，在判断有无缺陷时，对于所要求的处理后的检查对象晶圆W，在如上所述对拍摄图像与估计图像进行比较的情况下，不存在将不均误检测为缺陷的可能性，因此能够减小前述的阈值。因此，能够检测在阈值较大时无法检测出的缺陷。
使用图8和图9，对本实施方式的缺陷检查的效果进一步具体地进行说明。
图8是用于说明现有的缺陷检查之一例的概念图，图9是用于说明本实施方式的缺陷检查之一例的概念图。在图8和图9中，横轴表示沿着晶圆上的某方向的各部分的该方向上的坐标，纵轴表示上述各部分的像素值等值。图8中(A)表示检查对象晶圆W的拍摄图像Ip与后述的平均图像Ia的关系之一例，图8中(B)表示检查对象晶圆W的拍摄图像Ip与后述的平均图像Ia之间的差，图8中(C)表示现有的缺陷检查中的后述缺陷判断值Vc之一例。图9中(A)表示检查对象晶圆W的拍摄图像Ip与对应的估计图像Ie的关系之一例，图9中(B)表示本实施方式的后述缺陷判断值V之一例。
在现有的缺陷检查中，例如对所要求的处理后的多片晶圆W取得它们的拍摄图像，根据该多个晶圆W的拍摄图像取得平均图像Ia和标准差图像Is。平均图像Ia是使用上述多个晶圆W的拍摄图像中的各像素的平均值作为各像素的像素值的图像，例如，与检查对象晶圆W的拍摄图像Ip具有图8中(A)所示的关系。另外，标准差图像Is是使用上述多个晶圆W的拍摄图像中的各像素的标准差作为各像素的像素值的图像。
在现有的缺陷检查中，计算检查对象晶圆W的拍摄图像Ip与上述平均图像Ia之差。上述差中有意义的值的部分如图8中(B)所示，不仅包含缺陷部分，还包含由不均引起的部分。因此，作为用于除去不均的变化滤波器(variation filter)应用上述标准差图像Is，生成缺陷判断值Vc。具体而言，对于上述差的像素值的绝对值超过上述标准差图像Is的像素值的绝对值的像素，针对每个像素，从上述差的像素值中减去标准差图像Is的像素值，生成如图8中(C)所示的缺陷判断值Vc。在现有的缺陷检查中，将该缺陷判断值中超过阈值Tc的部分判断为缺陷。
但是，用于去除不均的变化滤波器即上述标准差图像Is不是每个晶圆W所固有的，不是能够准确地表现出不均的图像。因此，如图8中(C)所示，缺陷判断值中有意义的值的部分不仅包含由缺陷K1、K2、K3引起的部分，还包含由不均U引起的部分。为了防止该不均U的部分被检测为缺陷，在现有的缺陷检查方法中，将针对缺陷判断值的上述阈值Tc设定得较大。即，检测灵敏度被设定得较低。因此，可能仅检测到在缺陷判断值Vc中表现为较大的值的缺陷K1、K2，而无法检测到在缺陷判断值Vc中表现为较小的值的、应当检测出的缺陷K3。
与此相对，在本实施方式中，所要求的处理后的检查对象晶圆W的拍摄图像Ip和作为缺陷检查基准图像的估计图像Ie例如具有图9中(A)所示的关系。然后，例如，使用所要求的处理后的检查对象晶圆W的拍摄图像Ip与估计图像Ie的各像素的差作为缺陷判断值V，将该缺陷判断值V中超过阈值T的部分判断为缺陷。如上所述，本实施方式的缺陷判断中使用的估计图像Ie是通过机器学习而生成图像估计模型并基于该图像估计模型而生成的，是每个晶圆W所固有的，其中反映了所要求的处理前的检查对象晶圆W的状态。因此，在所要求的处理后的检查对象晶圆W的拍摄图像Ip和估计图像Ie中，不均是大致相同的，如图9中(B)所示，缺陷判断值V中表现出有意义的值的部分不包含由不均引起的部分，仅包含由缺陷K1、K2、K3引起的部分。因此，即使减小针对上述缺陷判断值V的上述阈值T，也不会将不均的部分检测为缺陷，因此能够将上述阈值T设定得较小，即将检测灵敏度设定得较高，即使是在缺陷判断值V中表现为较小的值的缺陷K3也能够准确地检测出来。
发明人使用抗蚀剂膜形成后的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W的拍摄图像，通过机器学习实际生成了图像估计模型。然后，根据某个检查对象晶圆W的抗蚀剂膜形成后的拍摄图像和所生成的图像估计模型，生成了该检查对象晶圆W的抗蚀剂图案形成后的估计图像，并与该检查对象晶圆W的抗蚀剂图案形成后的实际的拍摄图像进行了比较。其结果表示于图10和图11。图10和图11是按图像的每个部分表示上述实际的拍摄图像的像素值与上述估计图像的像素值的关系的图。图10表示涉及整个晶圆的图，图11表示仅涉及晶圆中央部的图。
如图10和图11所示，在图像的各部分，上述实际的拍摄图像的像素值和上述估计图像的像素值表现为接近的值。尤其是，如图11所示，在晶圆中央部，上述实际的拍摄图像的像素值与上述估计图像的像素值大致相同。
另外，图10和图11是关于R成分的像素值的图，但发明人经过确认，在G成分、B成分中也表现出与R成分同样的趋势。
在以上的说明中，基于抗蚀剂膜形成后的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W的拍摄图像，来生成针对抗蚀剂图案形成后的检查对象晶圆W的图像估计模型。也可以取而代之，基于下层膜形成前的初始状态的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W的拍摄图像，来生成针对抗蚀剂图案形成后的检查对象晶圆W的图像估计模型。于是，可以基于该图像估计模型和上述初始状态的检查对象晶圆W的拍摄图像，估计抗蚀剂图案形成后的检查对象晶圆W的估计图像，并基于该估计图像，进行抗蚀剂图案形成后的检查对象晶圆W的缺陷检查。
发明人使用上述初始状态的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W的拍摄图像，通过机器学习实际生成了图像估计模型。然后，根据某个检查对象晶圆W的上述初始状态的拍摄图像和所生成的图像估计模型，生成了该检查对象晶圆W的抗蚀剂图案形成后的估计图像，并与该检查对象晶圆W的抗蚀剂图案形成后的实际的拍摄图像进行了比较。其结果表示于图12和图13。图12和图13是按图像的每个部分表示上述实际的拍摄图像的像素值与上述估计图像的像素值的关系的图。图12表示涉及整个晶圆的图，图13表示仅涉及晶圆中央部的图。
如图12和图13所示，在图像的各部分，上述实际的拍摄图像的像素值和上述估计图像的像素值表现为接近的值。尤其是，如图13所示，在晶圆中央部，上述实际的拍摄图像的像素值与上述估计图像的像素值大致相同。
另外，图12和图13是关于R成分的像素值的图，但发明人经过确认，在G成分、B成分中也表现出与R成分同样的趋势。
另外，也可以基于下层膜形成后的晶圆W的拍摄图像或中间层膜形成后的晶圆W的拍摄图像和抗蚀剂图案形成后的晶圆W的拍摄图像，来生成针对抗蚀剂图案形成后的检查对象晶圆W的图像估计模型。于是，可以基于该图像估计模型和上述下层膜形成后的检查对象晶圆W的拍摄图像或中间层膜形成后的晶圆W的拍摄图像，估计抗蚀剂图案形成后的检查对象晶圆W的估计图像，并基于该估计图像，进行抗蚀剂图案形成后的检查对象晶圆W的缺陷检查。即，在进行n种处理并在各种处理前后取得检查对象晶圆W的拍摄图像的情况下，对于第m(m≤n)种处理后的检查对象晶圆W，其缺陷检查和图像估计模型的生成可以使用以下的拍摄图像。即，可以不仅使用即将进行第m种处理前(换言之是第(m-1)种处理后)的晶圆W的拍摄图像，还可以使用即将进行第(m-1)种处理前(换言之是第(m-2)种处理后)的晶圆W的拍摄图像。
进而，在本实施方式中，根据图11和图13的结果，也可以基于经基片处理系统10进行所要求的处理后的检查对象晶圆W的拍摄图像和估计图像中的、仅晶圆中央部的图像，来进行缺陷检查。由此，能够进一步降低将不均误检测为缺陷的可能性，能够更准确地进行缺陷检测。在该情况下，在缺陷检查时例如应用将晶圆W的周缘部除外的边缘滤波器。
另外，关于图像估计模型，例如使用由基片检查系统1所具有的多个基片处理系统10取得的拍摄图像，生成在基片处理系统之间通用的图像估计模型。
取而代之，某个基片处理系统10的图像估计模型也可以仅使用由该基片处理系统取得的拍摄图像来生成。由此，能够生成反映了该基片处理系统10的特性的图像估计模型。
另外，也可以从用于生成图像估计模型的晶圆W的拍摄图像中，排除在缺陷检查中判断为有缺陷的晶圆W的拍摄图像。由此，能够生成更准确的图像估计模型。
另外，本实施方式的基片处理系统10中进行了多种成膜处理(包括抗蚀剂膜形成处理后的抗蚀剂图案形成处理)，但本实施方式的基片检查方法也能够应用于进行单一成膜处理的情况。另外，本实施方式的基片检查方法也能够应用于进行成膜处理以外的处理(例如蚀刻处理等)的情况。
图14是表示整体控制装置的其他例子的概略结构的框图，表示了与基片检查相关的结构。
图14的整体控制装置20a与图7的整体控制装置20同样地，包括存储部301和模型生成部302。并且，整体控制装置20a还包括选择部400，其从大量的拍摄图像对之中，选择供模型生成部302进行图像估计模型的生成所使用的拍摄图像对、即模型生成用的拍摄图像对。另外，所谓拍摄图像对指的是，由某个晶圆W的经基片处理系统10处理前的拍摄图像与处理后的拍摄图像的组合构成的图像对。
选择部400针对每个拍摄图像对决定异常度，并基于该异常度选择模型生成用的拍摄图像对。上述异常度是使用经基片处理系统10进行所要求的处理前的晶圆W的拍摄图像(下文有时称作“IN图像(输入图像)”)中的像素值的面内趋势，和经基片处理系统10处理后的晶圆W的拍摄图像(下文有时称作“OUT图像(输出图像)”)中的像素值的面内趋势之间的相关分布来决定的。
选择部400例如包括候选取得部401、系数计算部402、距离计算部403和提取部404。
候选取得部401从存储部301取得多个拍摄图像对作为模型生成用的拍摄图像对的候选。
系数计算部402针对候选取得部401取得的拍摄图像对中包含的晶圆W的每个拍摄图像，使用泽尼克(Zernike)多项式将该拍摄图像内的像素值的平面分布分别分解为像素值的多个面内趋势(in-plane tendency)成分，分别计算各面内趋势成分的泽尼克系数。
晶圆W的拍摄图像一般由RGB(红、绿、蓝)这3原色构成。因此，能够针对各原色R、G、B求取像素值的面内趋势成分Zi，但图像处理的方法在R、G、B之间没有差异。因此，下文在没有特别说明的情况下，假定对所有原色R、G、B并行地进行处理。
在系数计算部402中，针对候选取得部401取得的拍摄图像对中包含的晶圆W的每个拍摄图像，首先在晶圆W的整个面上例如以像素单位将该拍摄图像的颜色数值化为像素值。由此，求取晶圆面内的像素值的平面分布。接着，在系数计算部402中，将该晶圆面内的像素值的平面分布分解为像素值的多个面内趋势成分Zi(i为1以上的整数)。该像素值的多个面内趋势成分Zi如图15所示，是使用泽尼克多项式将晶圆面内的像素值的平面分布Z分解为多个成分来表示的。
在此，对泽尼克多项式进行说明。泽尼克多项式主要是在光学领域中使用的复函数，具有两个次数(n，m)。并且，其是半径为1的单位圆上的函数，具有极坐标的自变量(r，θ)。该泽尼克多项式在光学领域中例如用于分析透镜的像差成分，通过使用泽尼克多项式对波前像差进行分解，能够得到基于各种独立的波前例如山形、马鞍形等形状的像差成分。
接着，使用图16和图17对本实施方式中使用泽尼克多项式求取像素值的面内趋势成分Zi的方法进行说明。图16表示晶圆W面内各像素P的像素值的平面分布Z，各像素P的内侧记载的数值表示该像素P的像素值。另外，为了便于说明，在图16和图17中仅记载了沿着X轴方向的一串像素P。并且，在对图16所示的像素值的平面分布Z应用泽尼克多项式时，例如，如图17所示，将各像素P的像素值表示在晶圆W面上的高度方向(图17的正Z方向)上。其结果，能够将各像素P的像素值的平面分布视作三维绘制的规定形状的曲线。于是，通过将晶圆W面内的全部像素P的像素值同样地表示在晶圆W面上的高度方向上，能够将晶圆W面内的像素值的分布视作三维的圆形波前。通过像这样将像素值的分布视作三维的波前，就能够应用泽尼克多项式，能够使用泽尼克多项式将晶圆面内的像素值的平面分布Z分解为例如晶圆面内的上下左右方向的倾斜成分、凸状或凹状弯曲的弯曲成分等像素值的多个面内趋势成分Zi。像素值的面内趋势成分Zi各自的大小能够通过泽尼克系数表示。
具体而言，表示像素值的面内趋势成分Zi的泽尼克系数使用极坐标的自变量(r，θ)和次数(n，m)表示。下面作为一个例子给出了第一项～第九项的泽尼克系数。
Z1，n＝0，m＝0(1)
Z2，n＝1，m＝1(r·cosθ)
Z3，n＝0，m＝-1(r·sinθ)
Z4，n＝2，m＝0(2r2-1)
Z5，n＝2，m＝2(r2·cos2θ)
Z6，n＝2，m＝-2(r2·sin2θ)
Z7，n＝3，m＝1((3r3-2r)·cosθ)
Z8，n＝3，m＝-1((3r3-2r)·sinθ)
Z9，n＝4，m＝0(6r4-6r2+1)
·
·
·
例如，第一项的泽尼克系数即泽尼克系数Z1表示晶圆面内的像素值的平均值，第二项的泽尼克系数Z2表示晶圆面内的像素值的左右方向的倾斜成分，第三项的泽尼克系数Z3表示晶圆面内的像素值的前后方向(与泽尼克系数Z2的倾斜的方向正交的方向)的倾斜成分，第四项的泽尼克系数表示以晶圆的中心为原点、在周向上均匀且在径向上逐渐增加的像素值的弯曲成分。
回到图14的说明。
在系数计算部402中，计算按上述方式将晶圆面内的像素值的平面分布Z分解而得到的像素值的面内趋势成分Zi各自的值。具体而言，如上所述，像素值的面内趋势成分Zi的大小由泽尼克系数表示，因此通过求取各泽尼克系数的值来计算像素值的面内趋势成分Zi各自的值。
距离计算部403按泽尼克多项式的每个项(每个次数)，基于IN图像的泽尼克系数与OUT图像的泽尼克系数之间的相关分布，针对候选取得部401取得的各拍摄图像对分别计算马哈拉诺比斯距离。距离计算部403针对候选取得部401取得的各拍摄图像对，按泽尼克多项式的每个项，计算上述相关分布所属的空间(即，由IN图像的泽尼克系数和OUT图像的泽尼克系数构成的分布空间)中的、表示该拍摄图像对的点与上述相关分布之间的马哈拉诺比斯距离MD(参照后述的图19)。
提取部404针对候选取得部401取得的各拍摄图像对，基于距离计算部403计算出的马哈拉诺比斯距离来决定异常度。然后，提取部404基于所决定的异常度，从候选取得部401取得的拍摄图像对之中提取并选择模型生成用的拍摄图像对。
接着，对由选择部400进行的模型生成用的拍摄图像对的选择处理进行说明。图18是表示由选择部400进行的模型生成用的拍摄图像对的选择处理的流程的图。图19是用于说明马哈拉诺比斯距离的图。图20是概念性地表示异常度的计算方法的图。
首先，如图示那样，选择部400的候选取得部401从存储部301取得多个拍摄图像对，作为模型生成用的拍摄图像对的候选(步骤S1)。此时，候选取得部401将缺陷检查中判断为“有缺陷”的晶圆W的拍摄图像，从模型生成用的拍摄图像对的候选中排除。候选取得部401在基于IN图像实施的缺陷检查中判断为“有缺陷”的情况下，和在基于OUT图像实施的缺陷检查中判断为“有缺陷”的情况下，均将判断为“有缺陷”的晶圆W的拍摄图像对排除。
接着，系数计算部402对候选取得部401取得的拍摄图像对中包含的拍摄图像(即IN图像和OUT图像)分别进行增强处理(步骤S2)。上述增强处理例如是增强各拍摄图像的对比度的处理。由此，例如对于形成有涂覆膜的晶圆的拍摄图像，能够使潜在的涂覆不均变得明显。
接着，系数计算部402针对进行了增强处理后的晶圆W的每个拍摄图像，使用泽尼克多项式将该拍摄图像内的像素值的平面分布分解为像素值的多个面内趋势成分Zi，分别计算各面内趋势成分的泽尼克系数(步骤S3)。换言之，系数计算部402针对进行了增强处理后的晶圆W的每个拍摄图像(即，针对进行了增强处理后的各IN图像和OUT图像)，使用泽尼克多项式对该图像内的像素值的平面分布进行近似，分别计算出近似式中各项的系数即泽尼克系数。系数计算部402计算例如泽尼克多项式中第一项至第十六项的泽尼克系数。系数计算部402进行的上述泽尼克系数的计算例如针对RGB分别进行。
接着，距离计算部403针对候选取得部401取得的各拍摄图像对，按泽尼克多项式的每个项计算马哈拉诺比斯距离MD(步骤S4)。如图19所示，此处计算的泽尼克多项式中每个项的马哈拉诺比斯距离MD，是IN图像-OUT图像间的泽尼克系数的分布空间K中的、表示计算对象的拍摄图像对的点P、和IN图像的泽尼克系数与OUT图像的泽尼克系数的相关分布C之间的马哈拉诺比斯距离。
马哈拉诺比斯距离表示样本点与分布之间的尺度。从矢量y到具有平均μ和协方差∑的分布之间的马哈拉诺比斯距离MD能够通过下式计算。
[式1]
距离计算部403针对泽尼克多项式中第一项至第十六项为止的每个项，计算候选取得部401取得的拍摄图像对各自的马哈拉诺比斯距离MD。
另外，泽尼克多项式中每个项的马哈拉诺比斯距离的计算，例如针对RGB分别进行。
进而，也可以对按泽尼克多项式的每个项计算出的马哈拉诺比斯距离，除以相应项的平均值来进行标准化处理。
接着，提取部404基于距离计算部403针对每个拍摄图像对按泽尼克多项式的每个项计算出的马哈拉诺比斯距离，决定拍摄图像对各自的异常度Ab(步骤S5)。例如，提取部404针对各拍摄图像对，将距离计算部403按泽尼克多项式的每个项计算出的马哈拉诺比斯距离MD相加，来决定异常度Ab。
更具体而言，例如，提取部404如图20所示，针对每个拍摄图像对，将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于R的马哈拉诺比斯距离MD全部相加。然后，提取部404将相加的结果(即上述马哈拉诺比斯距离MD的总和)决定为各拍摄图像对的关于R的异常度Abr。同样地，提取部404例如针对每个拍摄图像对，将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于G的马哈拉诺比斯距离MD全部相加，将其决定为各拍摄图像对的关于G的异常度Abg。此外，提取部404例如针对每个拍摄图像对，将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于B的马哈拉诺比斯距离MD全部相加，将其决定为各拍摄图像对的关于B的异常度Abb。即，提取部404按RGB的每个颜色、并且针对每个拍摄图像对，将按泽尼克多项式中第一项至第十六项为止的每个项、并且按RGB的每个颜色计算出的马哈拉诺比斯距离MD全部相加。
另外，对于各拍摄图像对，在将距离计算部403按泽尼克多项式的每个项计算出的马哈拉诺比斯距离MD相加时，也可以对泽尼克多项式的每个项进行加权。另外，对于各拍摄图像对，在将距离计算部403按泽尼克多项式的每个项、且按RGB的每个颜色计算出的马哈拉诺比斯距离相加时，也可以对每个颜色进行加权。
接着，提取部404针对该提取部404决定的异常度Ab设定异常判断阈值Th(步骤S6)。例如，提取部404基于下式计算阈值Thc。在下式中，AbAve表示提取部404决定的异常度Ab的平均值，AbStd表示提取部404决定的异常度Ab的标准差，c例如为1～3的整数。
Thc＝AbAve+c×AbStd
提取部404将计算出的阈值Thc设定为异常判断阈值Th。此外，若计算出的阈值Thc过小，则在后述的步骤S7的模型生成用的图像拍摄图像对提取步骤中，有时会将必要以上的拍摄图像对从模型生成用的拍摄图像对之中排除。因此，也可以预先设置异常判断阈值Th的下限值，在基于上述式算出的阈值Thc低于上述下限值的情况下，将上述下限值设定为异常判断阈值Th。针对RGB分别基于上式计算阈值Thc，并且设定异常判断阈值Th。另外，下文令R、G、B各自的异常判断阈值Th为Thr、Thg、Thb。
接着，提取部404基于由该提取部404决定的拍摄图像对各自的异常度Ab和由该提取部404设定的阈值Th，提取并选择模型生成用的拍摄图像对(步骤S7)。具体而言，提取部404将候选取得部401取得的拍摄图像对之中的、由马哈拉诺比斯距离MD相加而得到的异常度Ab不超过异常判断阈值Th的图像对，提取为模型生成用的拍摄图像对。更具体而言，提取部404将满足以下全部条件(x1)～(x3)的拍摄图像对提取为模型生成用的拍摄图像对。
(x1)关于R的异常度Abr≥关于R的异常判断阈值Thr
(x2)关于G的异常度Abg≥关于G的异常判断阈值Thg
(x3)关于B的异常度Abb≥关于B的异常判断阈值Thb
如上所述，通过从大量的拍摄图像对之中自动选择适合于图像估计模型的学习的图像对，能够确保图像估计模型的质量，进而能够提高使用该图像估计模型进行缺陷检测的精度。
提取部404基于马哈拉诺比斯距离提取模型生成用的拍摄图像对的方法不限于上述的例子。例如，也可以采用下述方法。
即，提取部404例如针对每个拍摄图像对，按泽尼克多项式的每个项，将距离计算部403计算出的马哈拉诺比斯距离MD设定为异常度Ab。更具体而言，提取部404例如将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于R的马哈拉诺比斯距离MD，设定为各拍摄图像对的关于R的异常度Abr1～Abr16。同样地，提取部404例如将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于G的马哈拉诺比斯距离MD，设定为各拍摄图像对的关于G的异常度Abg1～Abg16。此外，提取部404例如将距离计算部403按泽尼克多项式中第一项至第十六项为止的每个项计算出的关于B的马哈拉诺比斯距离MD，设定为各拍摄图像对的关于B的异常度Abb1～Abb16。
然后，提取部404针对由该提取部404设定的异常度Ab，按泽尼克多项式的每个项设定异常判断阈值Th。例如，提取部404针对泽尼克多项式中第一项至第十六项的每个项计算阈值Thc。该情况下的计算式例如能够使用与前述相同的公式。
提取部404针对泽尼克多项式中第一项至第十六项的每个项，将计算出的阈值Thc设定为异常判断阈值Th。在该例子的情况下，也可以与上述同样地设置异常判断阈值Th的下限值。针对RGB分别计算阈值Thc，并且设定异常判断阈值Th。另外，下文中，针对泽尼克多项式中第一项至第十六项的每个项，令关于R的异常判断阈值Th为Thr1～Thr16，关于G的异常判断阈值Th为Thg1～Thg16，关于B的异常判断阈值Th为Thb1～Thb16。
然后，提取部404将候选取得部401取得的拍摄图像对之中的、不具有异常度Ab超过异常判断阈值Th的泽尼克多项式中的项(次数)的拍摄图像对，提取为模型生成用的拍摄图像对。更具体而言，提取部404在n为1～16的整数的情况下，将满足以下全部条件(y1)～(y3)的拍摄图像对提取为模型生成用的拍摄图像对。
(y1)对于泽尼克多项式中的第n项，异常度Abrn≥阈值Thrn。
(y2)对于泽尼克多项式中的第n项，异常度Abgn≥阈值Thgn。
(y3)对于泽尼克多项式中的第n项，异常度Abbn≥阈值Thbn。
在以上的例子中，对于全部的颜色以及泽尼克多项式中的全部项，进行了马哈拉诺比斯距离的计算等，但对于一部分的颜色、一部分的项，也可以省略马哈拉诺比斯距离的计算等。将可以省略马哈拉诺比斯距离的计算等的颜色、上述项的信息预先存储在存储部301中。
图21是说明马哈拉诺比斯距离的计算方法之另一例的图。
如图21所示，IN图像的泽尼克系数与OUT图像的泽尼克系数的相关分布C有时并不集中，可能无法计算出恰当的马哈拉诺比斯距离，无法恰当地选择模型生成用的拍摄图像对。在该情况下，可以将相关分布C分割为多个子相关分布。例如，可以将相关分布C如图21那样分割为2个子相关分布C1、C2。然后，在距离计算部403计算拍摄图像对的马哈拉诺比斯距离时，可以计算该拍摄图像对所属的子相关分布与表示该拍摄图像对的点之间的马哈拉诺比斯距离。
相关分布C的子相关分布的分割单位例如是，按晶圆W的每个批次、每个装置、每个搬运路线即每个通过模块进行分割。
说明书公开的实施方式在所有方面都只是例示而不应当认为是限制性的。上述实施方式可以在不脱离本发明技术方案的范围及其思想的基础上，以各种方式省略、置换和变更。
此外，下述结构也属于本公开的技术范围。
(1)一种对基片进行检查的基片检查装置，包括：
取得部，其基于图像估计模型和经基片处理装置处理前的检查对象基片的拍摄图像，取得经所述基片处理装置处理后的所述检查对象基片的估计图像，其中，所述图像估计模型是使用多个基片各自的经所述基片处理装置处理前的拍摄图像和处理后的拍摄图像通过机器学习而生成的；和
判断部，其基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像和所述估计图像，判断该检查对象基片有无缺陷。
在上述(1)中，使用多个基片的处理前后的拍摄图像通过机器学习生成图像估计模型，并使用图像估计模型生成作为缺陷检查基准的基准图像，进行检查对象基片有无缺陷的判断。由于作为缺陷检查基准的基准图像是基于上述图像估计模型而生成的估计图像，因此对于处理后的检查对象基片来说，在拍摄图像与基准图像中，不均(斑块)是大致相同的。从而，由于不均被检测为缺陷的可能性降低，因此能够提高缺陷检测精度。
(2)根据上述(1)所述的基片检查装置，其中，所述取得部生成经所述基片处理装置处理后的所述检查对象基片的估计图像。
(3)根据上述(1)或(2)所述的基片检查装置，其中，所述判断部基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像与所述估计图像之间的差，判断该检查对象基片有无缺陷。
(4)根据上述(1)至(3)中任一项所述的基片检查装置，其中，所述判断部基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像和所述估计图像中的基片中央部的图像，判断该检查对象基片有无缺陷。
采用上述(4)，能够更准确地进行缺陷检查。
(5)根据上述(2)至(5)中任一项所述的基片检查装置，其中，所述图像估计模型是在条件生成式对抗网络中对输入的任意的图像进行转换而生成假图像的生成网络，
针对所述条件生成式对抗网络中的识别网络进行识别方法的机器学习，其中，所述识别网络以任意的图像和与该任意的图像对应的真图像为输入，或以任意的图像和基于该任意的图像生成的假图像为输入，用于识别与该任意的图像一起输入的图像是所述真图像还是所述假图像，通过所述识别方法的机器学习使得所述识别能够正确地进行，
针对所述生成网络进行图像转换方法的机器学习，使得在所述识别网络中所述假图像能够被识别为是所述真图像。
(6)一种对基片进行检查的基片检查系统，包括：
对基片进行处理的基片处理装置；和
控制装置，
所述控制装置包括：
生成部，其使用多个基片各自的经所述基片处理装置处理前的拍摄图像和处理后的拍摄图像，通过机器学习生成图像估计模型；
生成部，其基于经所述基片处理装置处理前的检查对象基片的拍摄图像和所述图像估计模型，生成经所述基片处理装置处理后的所述检查对象基片的估计图像；和
判断部，其基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像和所述估计图像，判断该检查对象基片有无缺陷。
(7)根据上述(6)所述的基片检查系统，其中，所述图像估计模型是在条件生成式对抗网络中对输入的任意的图像进行转换而生成假图像的生成网络，
针对所述条件生成式对抗网络中的识别网络进行识别方法的机器学习，其中，所述识别网络以任意的图像和与该任意的图像对应的真图像为输入，或以任意的图像和基于该任意的图像生成的假图像为输入，用于识别与该任意的图像一起输入的图像是所述真图像还是所述假图像，通过所述识别方法的机器学习使得所述识别能够正确地进行，
针对所述生成网络进行图像转换方法的机器学习，使得在所述识别网络中所述假图像能够被识别为是所述真图像。
(8)根据上述(6)或(7)所述的基片检查系统，其中，还包括选择部，其选择模型生成用的图像对，该图像对是由所述处理前的基片的拍摄图像与所述处理后的基片的拍摄图像的组合构成的拍摄图像对，
所述选择部基于异常度来选择模型生成用的所述拍摄图像对，其中，所述异常度是使用所述处理前的基片的拍摄图像中的像素值的面内趋势与所述处理后的基片的拍摄图像中的像素值的面内趋势之间的相关分布决定的。
(9)根据上述(8)所述的基片检查系统，其中，所述选择部包括：
候选取得部，其取得多个所述拍摄图像对作为模型生成用的所述拍摄图像对的候选；
系数计算部，其针对取得的所述拍摄图像对中包含的所述基片的每个拍摄图像，使用泽尼克多项式将该拍摄图像内的像素值的平面分布分别分解为像素值的多个面内趋势成分，分别计算各面内趋势成分的泽尼克系数；
距离计算部，其按泽尼克多项式的每个项，基于所述处理前的所述基片的拍摄图像中的泽尼克系数与所述处理后的所述基片的拍摄图像中的泽尼克系数之间的相关分布，计算所述拍摄图像对各自的马哈拉诺比斯距离；和
提取部，其针对各所述拍摄图像对，基于所述马哈拉诺比斯距离决定异常度，并基于所述异常度，从所述候选取得部取得的所述拍摄图像对之中提取所述模型生成用的所述拍摄图像对。
(10)根据上述(9)所述的基片检查系统，其中，所述提取部，
针对各所述拍摄图像对，将所述距离计算部按泽尼克多项式的每个项计算出的所述马哈拉诺比斯距离相加，来决定所述异常度，
并且，将所述取得部取得的所述拍摄图像对之中的、由马哈拉诺比斯距离相加而得到的所述异常度不超过阈值的图像对，提取为所述模型生成用的所述拍摄图像对。
(11)根据上述(9)所述的基片检查系统，其中，所述异常度是所述距离计算部按泽尼克多项式的每个项计算出的马哈拉诺比斯距离，
所述提取部将所述拍摄图像对之中的、不具有所述异常度超过阈值的泽尼克多项式中的项的拍摄图像对，提取为所述模型生成用的所述拍摄图像对。
(12)一种对基片进行检查的基片检查方法，包括：
取得经基片处理装置处理前的检查对象基片的拍摄图像的步骤；
取得经基片处理装置处理后的所述检查对象基片的拍摄图像的步骤；
基于图像估计模型和经所述基片处理装置处理前的检查对象基片的拍摄图像，取得经所述基片处理装置处理后的所述检查对象基片的估计图像的步骤，其中，所述图像估计模型是使用多个基片各自的经所述基片处理装置处理前的拍摄图像和处理后的拍摄图像通过机器学习而生成的；
基于经所述基片处理装置处理后的所述检查对象基片的拍摄图像和所述估计图像，判断该检查对象基片有无缺陷的步骤。
(13)根据上述(12)所述的基片检查方法，其中，所述图像估计模型是在条件生成式对抗网络中对输入的任意的图像进行转换而生成假图像的生成网络，
针对所述条件生成式对抗网络中的识别网络进行识别方法的机器学习，其中，所述识别网络以任意的图像和与该任意的图像对应的真图像为输入，或以任意的图像和基于该任意的图像生成的假图像为输入，用于识别与该任意的图像一起输入的图像是所述真图像还是所述假图像，通过所述识别方法的机器学习使得所述识别能够正确地进行，
针对所述生成网络进行图像转换方法的机器学习，使得在所述识别网络中所述假图像能够被识别为是所述真图像。
(14)一种在对基片进行检查时使用的基片的拍摄图像的估计模型，
该估计模型，
使计算机发挥如下功能：根据经基片处理装置处理前的检查对象基片的拍摄图像，估计经所述基片处理装置处理后的所述检查对象基片的拍摄图像，
所述估计模型是使用针对多个基片的各个基片的由所述估计模型是使用多个基片各自的经所述基片处理装置处理前的拍摄图像和处理后的拍摄图像，通过基于条件生成式对抗网络的机器学习而生成的，
所述估计模型是在所述条件生成式对抗网络中对输入的任意的图像进行转换而生成假图像的生成网络，
在基于所述条件生成式对抗网络的机器学习中，针对识别网络进行识别方法的机器学习，其中，所述识别网络以任意的图像和与该任意的图像对应的真图像为输入，或以任意的图像和基于该任意的图像生成的所述假图像为输入，用于识别与该任意的图像一起输入的图像是所述真图像还是所述假图像，通过机器学习使得所述识别能够正确地进行；并且，针对所述生成网络进行图像转换方法的机器学习，使得在所述识别网络中所述假图像能够被识别为是所述真图像。
附图标记说明
1 基片检查系统
20 整体控制装置
120 显影处理装置
121 下层膜形成装置
122 中间层膜形成装置
123 抗蚀剂涂覆装置
130 热处理装置
251 摄像控制装置
302 模型生成部
313 估计图像取得部
314 判断部
Ie 估计图像
Ip 摄影图像
K1、K2、K3 缺陷
W 晶圆。